[Journal club] Seeing the Unseen: Visual Common Sense for Semantic Placement

Transcript

1. 慶應義塾大学 杉浦孔明研究室 名字氏名 Seeing the Unseen: Visual Common Sense for Semantic Placement Ram Ramrakhya1, Aniruddha Kembhavi2, Dhruv Batra1, Zsolt Kira1, Kuo-Hao Zeng2, Luca Weihs2 (1Georgia Institute of Technology, 2PRIOR @ Allen Institute of AI) CVPR 2024 慶應義塾大学 杉浦孔明研究室 是方諒介 Ramrakhya, R., Kembhavi, A., Batra, D., Kira, Z., Zeng, K., Weihs, L. "Seeing the Unseen: Visual Common Sense for Semantic Placement." CVPR 2024.
2. 概要 背景 ✓ 生活支援ロボットにとって，物体の望ましい 配置目標をsemanticに理解することは重要 提案 ✓ 常識的な配置目標をマスクで予測するSemantic Placementタスク ✓ inpaintingに基づく”存在しない物体”のアノテーション 結果 ✓ 約1.3Mの画像から成る実画像データセットにおいて，マルチモーダルLLMを凌駕 ✓ 下流タスクとしてロボットの物体配置タスクへ応用し，既存手法を上回る成功率 2
3. 背景：物体の望ましい配置目標に関する常識的な理解 ◼ 生活支援ロボットによる物体配置タスク ◼ 物体の性質や環境の状況を踏まえた配置目標予測は重要 ◼ 例：”クッション”の配置目標  浴槽の中  既に物が置かれている椅子 ☺ 余白のあるソファの座面 3
4. 関連研究：”存在しない物体”のaffordanceを考慮する研究は少ない 4 手法 概要 O2O-Afford [Mo+, CoRL21] 点群を入力とし，物体同士のaffordanceを予測  シミュレーション環境のみで訓練されており，汎化性能が低い ROSIE [Yu+, RSS23] 物体，背景，および障害物などのinpaintingによるデータセット拡張  画像中に既に存在する物体が対象 TidyBot [Wu+, AR/IROS23] 片付けタスクにおいて，LLMの常識的知識に基づきreceptacleを予測  headmapの粒度では予測不可能 O2O-Afford ROSIE
5. 提案タスク：Semantic Placement (SP) ◼ 入力：画像 + 物体ラベル -> 出力：望ましい配置目標のマスク ◼ inpaintingに基づく，LAION-SPデータセットの自動構築 ◼ LAION [Schuhmann+, NeurIPS22] から特定の物体を”削除” → “存在しない物体”のアノテーションを実現 ◼ 画像数：約1.3M，物体の種類数：9 5
6. データセット構築手順 (1/2)：対象物体をinpaintingにより消去 (A) LAIONデータセットから家庭環境の画像を抽出 (e.g., “kitchen”) (B) Detic + SAMにより，事前に定義した種類の物体マスクを獲得 (C) 対象物体をinpainting [Suvorov+, CVPR21], [Rombach+, CVPR22] ◼ ランダムに，種類の異なる物体も消去 → 単なる空白領域予測問題になることを防ぐ 6
7. データセット構築手順 (2/2)：inpainting後の画像品質向上 (D) 対象物体が正しく消去されているサンプルをフィルタリング ◼ Deticを用いたインスタンスマッチング (IoU>0.9) (E) img2img手法により高解像度化するaugmentation ◼ 本手順を除くと過学習してしまうことが実験的に判明 7
8. 提案手法：CLIP-UNet ◼ CLIP + U-Net構造（cf. CLIPort [Shridhar+, CoRL21]） ◼ 画像の中間特徴量に対し，言語特徴量の要素積による条件付け ◼ 2段階の訓練 ① LAION-SPでpretraining → ② HSSD [Khanna+, CVPR24] でfine-tuning 8
9. 実験設定：SPタスク・配置動作を含むeSPタスクの両方を実施 ◼ 評価指標を新たに定義 ① Human Preference (HP) → 定性的に既存手法と比較し，最良を人間が選択 ② Target Precision (TrP) → GTマスクとの比較 ③ Receptacle Surface Precision (RSP) → 物体に対応する家具の配置可能領域との比較 ④ Receptacle Surface Recall (RSR) → RSPと同様 ◼ Embodied Semantic Placement (eSP) タスク ◼ 下流タスクとして，配置動作まで実施 ◼ Stretch [Kemp+, ICRA22] by Hello Robot 9 Intersection-over-Prediction (IoP) に準拠 GT 予測例1 予測例2 ：マスク
10. ◼ HP以外の評価指標は正確なGTが必要なため，これらはHSSDのみで測定 ◼ 補足：HSSDでは，シミュレータの設定によりinpaintingを用いず物体を削除可能 ◼ 考察 ✓ HPおよびTrPにおいて，提案手法が最良 ✓ receptacleの表面周辺にマスクが予測されることがあり，RSPが低下 定量的結果 (1/2)：SPタスクにおいて既存手法を凌駕 10
11. ◼ HSSDの未知環境において106試行 ◼ 評価指標：Success Rate [%] ◼ 考察 ✓ 2段階の訓練を行った提案手法が最良 ✓ 失敗要因の割合は，navigation : place : mask = 53.5% : 31.0% : 15.5% → マスク予測に由来する失敗は少ない 定量的結果 (2/2)：eSPタスクにおいて既存手法を凌駕 11
12. 定性的結果 (1/2)： LAION-SPにおけるSPタスク ☺ 提案手法が最も精緻な マスクを予測  マルチモーダルLLMは， ピクセル単位の予測が困難 12
13. 定性的結果 (2/2)：HSSDにおけるeSPタスク 13 ◼ 移動：離散空間，配置：連続空間 ☺ クッションを，ソファの座面に配置 ☺ 鉢植えを，机上の空白領域に配置
14. まとめ 背景 ✓ 生活支援ロボットにとって，物体の望ましい 配置目標をsemanticに理解することは重要 提案 ✓ 常識的な配置目標をマスクで予測するSemantic Placementタスク ✓ inpaintingに基づく”存在しない物体”のアノテーション 結果 ✓ 約1.3Mの画像から成る実画像データセットにおいて，マルチモーダルLLMを凌駕 ✓ 下流タスクとしてロボットの物体配置タスクへ応用し，既存手法を上回る成功率 14
15. Appendix：inpaintingの失敗例 15
16. Appendix：eSPタスクにおけるpolicy ◼ navigationおよびplaceに独立したpolicyを採用 16
17. Appendix：物体と家具に関する種類の対応関係 17
18. Appendix：Ablation Study ◼ pretrainingの条件を変更 ◼ 考察 ✓ LAION-SPでpretraining → HSSDでfine-tuningの場合が， TrPにおいて最良の汎化性能 18
19. Appendix：提案手法の成功例 ◼ LAION-SP 19 ◼ HSSD
20. Appendix：提案手法の失敗例 20