Collision Prediction and Visual Explanation Generation for Object Placement Task by Domestic Service Robots

Transcript

1. 畑中駿平1，上田雄斗1，植田有咲1，平川翼2，山下隆義2，藤吉弘亘2，杉浦孔明1 1慶應義塾大学，2中部大学 生活支援ロボットによる物体配置タスクにおける 危険性予測および視覚的説明生成

2. 背景：生活支援ロボットは安全にものを置くことが求められる • 人手不足の解決策として生活支援ロボットは有望視 • 生活支援ロボットの基本的動作のひとつに物体配置 − 安全配置のために衝突回避は重要 2 https://global.toyota/jp/download/8725215

3. 問題設定：軽微な接触の連鎖から生じる衝突を予測することは難しい 1. ロボットのアームがペットボトルに接触 2. ペットボトルがマヨネーズに接触 3. マヨネーズが落下する危険な衝突が発生 物体同士の物理的相互作用の連鎖の 予測は難しい 3

   ✓ 衝突確率の予測 ✓ 安全領域の可視化 本研究のタスク

4. 既存研究：生活支援ロボットが行うべき代表的なサブタスク 4 サブタスク 代表的研究 概要 Pick & Place [Zeng+, ICRA18]

   新規の物体を把持して認識可能 Grasping DIRL [Tanwani+, CoRL20] 敵対的学習を用いた実環境転用 Placing PonNet [Magassouba+, AR21] Transformer PonNet [植田+, JSAI21] Attention Branch Network [Fukui+, CVPR19] を 用いて物体同士の衝突確率を予測 DIRL Transformer PonNet [Zeng+, ICRA18]

5. 既存手法の問題点：安全である領域のみを可視化することができない  Transformer PonNet では安全領域と危険領域が混合して可視化されていた − ユーザに安全領域を事前に提示できれば，物体配置の最終的な判断を仰ぐことが可能 5 安全領域 危険領域

   安全領域のみ可視化する手法を提案 • ABN の特徴：画像内のどの領域に注目しているかを示す attention map を可視化

6. 提案手法：対象物体を配置する際の衝突確率の予測・安全領域の可視化 6 入力：対象物体と配置場所のRGBD画像 出力：衝突確率・安全領域の可視化画像

7. デモ動画：衝突確率を予測し、安全である場合に物体を配置 7

8. 構造 ( 1/4 )：3つのモジュールから構成 8 ①Feature Extractor，②Attention Branch，③Transformer Perception Branch

   の３つから構成 ① ② ③

9. ✓ Feature Extractor ( FE ) 配置領域・対象物体のRGBD画像の特徴量を ResNet18 の前半部分で抽出 構造

   ( 2/4 )：配置領域と対象物体画像の特徴量抽出 9 切り出し ゼロ埋め 𝒙 𝑘 dst 𝒙 𝑘 trg 𝑘 ∈ {rgb, depth} FE FE 配置領域 対象物体

10. 構造 ( 3/4 )：衝突に関連する部分に注目して重み付け ✓ Attention Branch ( AB )

    𝑤𝑘∈{rgb,depth} = 1 + 𝑎𝑘 ⨀ 𝑓𝑘 10 Attention Map 𝑎𝑘

11. 構造 ( 4/4 )：RGBとdepthの特徴量を融合して衝突確率を予測 ✓ Transformer Perception Branch ( TPB

    ) ABNのPerception branch構造にTransformerを導入 [ 植田+, JSAI21 ] 11 𝑸(i)= 𝑊 𝑞 (𝑖)𝑜 𝑘 (𝑖), 𝑲(i) = 𝑊 𝑘 (𝑖)𝑜 𝑘 (𝑖), 𝑽(i) = 𝑊𝑣 (𝑖)𝑜 𝑘 (𝑖) 𝜔𝑘 = 𝑽(𝑖) softmax 𝑸(i) 𝑲 𝑖 T 𝑑𝑘 , 𝑑𝑘 = 𝐻 𝐴 𝑚𝑘 = 𝑸(i) + 𝛼 ⨀ 𝒉(i) 𝐻 は入力𝑜 𝑘 (𝑖)の次元数 𝐴 はヘッド数を表す

12. 新規性：Attention map と 平面検出による安全領域 𝑠 の可視化 𝑠 = 𝑎rgb +

    𝑎depth 2 ⨀ℎ ℎ ：平面と検出されたピクセルの集合 ⊕ ⨀ Plane detection ℎ [Wang+, 3DV18] 安全領域 𝑠 12 𝑎rgb 𝑎depth

13. 実験設定：simulation 環境によるデータセット 各配置場所はシミュレータによって自動的にラベル付け 13 PonNet-A-Sim データセット − 中心領域のみに配置 − 約

    12,000 の衝突サンプルが記録 PonNet-B-Sim データセット − 9 領域に配置 − 各領域 1,500，合計約 13,500 の衝突サンプルが記録 − 家具，明るさ，背景の異なる 5 種類の場面を使用

14. 定性的結果：シミュレーションデータの成功例 ✓ 障害物を避けた領域を安全領域 として獲得 RGB 画像 安全領域 𝒔 TN (

    非衝突 ) TP ( 衝突 ) 14 ✓ 顕著な安全領域は可視化されない

15. Method Accuracy Train : A-Sim Test : A-Sim Train :

    B-Sim Test : B-Sim Plane detection [Wang+, 3DV18] 82.5 72.30 PonNet [Magassouba+, AR21] 90.94±0.22 82.29±0.68 Transformer PonNet [植田+, JSAI21] パラメータ数：約2600万 91.26±0.21 82.10±0.52 Ours パラメータ数：約900万 91.23±0.32 82.28±1.77 定量的結果：ベースラインと同等または上回る結果 ✓ 提案手法はパラメータ数を削減しつつベースライン手法と同等の精度 15

16. エラー分析：透過物体や人から見ても判断が難しい例 入力画像 ( RGB ) 16 Attention map ( RGB

    ) Attention map ( Depth ) 例1 例2 正解：衝突 予測：非衝突  透過物体を捉える 人の目から見ても 判断が難しい衝突

17. 追加実験：実機環境によるデータ収集・実験 17 • トヨタの生活支援ロボット Human Support Robot ( HSR )

    を使用 • 収集した 200 個のデータを Train / Test 用に分割 ✓ 実機環境への転用の可能性を示唆 Method Accuracy Train : A-Sim + Real ( 100 ) Test : Real ( 100 ) Ours 87.39±3.12

18. 結論：衝突確率の低い安全領域を可視化する手法の提案 本研究のポイント ✓ Attention mapと平面検出を組み合わせて 安全な領域の候補を可視化 18