JP2010262546A - 2次元図形マッチング方法 - Google Patents
2次元図形マッチング方法 Download PDFInfo
- Publication number
- JP2010262546A JP2010262546A JP2009114066A JP2009114066A JP2010262546A JP 2010262546 A JP2010262546 A JP 2010262546A JP 2009114066 A JP2009114066 A JP 2009114066A JP 2009114066 A JP2009114066 A JP 2009114066A JP 2010262546 A JP2010262546 A JP 2010262546A
- Authority
- JP
- Japan
- Prior art keywords
- hypothesis
- dimensional
- map
- feature
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000220259 Raphanus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Instructional Devices (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
【解決手段】入力地図および参照地図に新たな点を挿入し(S102,S108)、入力地図および参照地図の局所特徴を抽出し(S104,S110)、抽出された参照地図の局所特徴を記憶し(S112)、抽出された入力地図内の局所特徴の一つをクエリとし、類似する参照地図内の局所特徴を検索し(S114)、検索結果から解候補としての仮説を含む仮説集合を生成し(S116)、仮説集合に含まれる各仮説の確からしさを評価する(S118)。この際、参照地図の局所特徴のLSH関数によるハッシュ値に対応するビンに記憶し(S112)、クエリに関する局所特徴のLSH関数によるハッシュ値に対応するビンを検索し(S114)、点と仮説との対である点仮説ペアを評価する順序を計画し(S118a)、最良の仮説を選出する(S118b)。
【選択図】図11
Description
本実施形態の説明に先立ち、まず、本実施形態の位置付けについて説明する。なお、以下では、2次元図形として、地図を例に説明する。
次に、基本的なRANSACマップマッチングについて、図1に基づき説明する。ここでは、簡単のため、ロボット周辺地図Lおよび参照地図Gが時間とともに変動しないものと仮定する。いま、R台の地図生成ロボットID=1,・・・,Rがいるものとし、各々のロボットが生成する地図をG={G1,・・・,GR}とする。このとき、本問題の目的は、地図Lを並進回転ψさせたときに最も大きく重なり合うような地図Grを見つけ、その最大重なりを与える座標変換ψを求めることにある。その解法として、我々は、標準的なRANSACマップマッチングを基礎とし、pRANSACスキームを用いた高速化を行う。これらのRANSACマップマッチングおよびpRANSACについて以下に説明する。
一般的なRANSACアルゴリズムを以下に示す。いま、N個のデータ点があるものとし、これらを集合U={xi}により表す。また、集合Uの部分集合Sをもとに、後述の方法により、モデルパラメータpを算出する関数(モデル関数)をfm:S→pとする。また、モデルパラメータpの一つのデータ点で1つのデータポイントxに対しコスト関数ρ(p,x)を定義する。このコスト関数は、xがモデルに対して整合する(インライア)ならば1を取り、それ以外では0を返す。このとき、RANSACによるパラメータ推定の目的は、コスト関数を最大限にするモデルパラメータp*およびそれを与えるコストC*を探索することにある。具体的には、RANSACアルゴリズムは、信頼できる仮説が見つかるまで、次のステップ(1)〜(3)を繰返す。
(1)部分集合Sk⊂Uをランダムに選択し、モデルパラメータ仮説pk=fm(Sk)を算出する。
(2)コストCkを求める。コストCkは、以下の式(1)によって算出される。
RANSACのさらなる高速化のために、rRANSACと呼ばれるRANSACの亜種が提案されており、それらの亜種の中でも、本実施形態では、リアルタイム性に優れるpRANSACを用いる。pRANSACの概要を以下に示す。pRANSACは、ある時点までに評価された全ての特徴仮説ペア(pj,xj)、および対応する得点結果
Cj=ρ(pj,xj)・・・(2)
の過程
H={(pj,xj,Cj)}・・・(3)
を保持し、これをもとに、各時点の処理を行う。また、2種類のユーザ定義関数、順序ルール
(p,x)=fo(H)・・・(4)
および選択ルール
p*=fp(H)・・・(5)
を用いる。順序ルールは、履歴Hが与えられたときに、次にどの特徴仮説ペアを評価すべきかを決定する。選択ルールは、履歴Hをもとに、最もよい仮説を選び出す。いま、ある特徴集合
U={xi}・・・(6)
および、仮説集合
V={pj}・・・(7)
が与えられたものとすると、pRANSACは、計算時間の許す限り次のステップ(1)および(2)を繰り返す。なお、ステップ(1)(以下、「pRANSACのステップ(1)」ともいう。)は、図11のフローチャートのS118aに相当する処理である。また、ステップ(2)(以下、「pRANSACのステップ(2)」ともいう。)は、同処理フローのS118bに相当する処理である。
(1)特徴仮説ペア(pk,xk)=fo(H)を選択し、スコアρ(pk,xk)を計算する。
(2)得点結果に基づき、特徴仮説ペアの当該仮説のスコア値の履歴Hを更新する。必要に応じて、最良の仮説p*=fp(H)を出力する。
pRANSACの性能は、主に順序ルールfo(H)に依存する。ここで、プリエンプティブ(preemptive)幅優先ルールと呼ばれる順序ルールは、いくつかの魅力的な特性がある。第1に、その計算時間は、仮説集合サイズに比例した定数により制限される。第2に、評価は、ある絶対的な品質尺度ではなく仮説間の競合によって行われる。第3に、インライア・アウトライア・モデルという簡略化されたモデル下であるが、安定した性能が解析的に示されている。以下に、幅優先スキームに基づくpRANSACの概要を手短に示す。
(1)仮説j(1≦j≦fb(i))ごとにスコア値Cj←Cj+ρ(pj,xi)を算出する。
(2)仮説ID1,・・・,Nを整理し、スコア値Gjがトップfb(i)の中に納まるようにする。p関数fb(i)を式(8)に示す。
これまで、発明者らは、特徴と仮説の集合が固定されたバッチ問題を考えてきた。しかし、実際には、ロボットの自己位置推定タスクでは、特徴集合と仮説集合が逐次的に変化していく。このことを理解するために、我々は、典型的な自己位置推定タスクを以下に素描する。自己位置推定タスク中、自己位置推定プロセス(つまりマップマッチングプロセス)は最新のセンサデータを取り入れながら常に最良の解を探し続ける。自己位置推定プロセスは、自己位置推定タスクの始めにスタート視点で一度だけ初期化されて、空集合から始まる。その後、これらの集合および地図は、以下の2種類のイベントにより修正されていく。なお、第1イベントでの(a)は、図11のフローチャートのS100に相当し、(b)は、S102に相当し、(c)は、S114に相当し、(d)および(e)は、S116に相当する処理である。また、第2イベントでの(f)は、S108に相当し、(g)は、S110に相当し、(h)は、S112に相当する処理である。
(第1イベント)
(a)入力地図(局所地図)更新
(b)入力地図に新規特徴が追加される
(c)新規特徴を用いて外見データベースに検索質問(クエリ)を行う
(d)検索結果をもとに新規仮説を生成する
(e)仮説集合に新規仮説を追加する
(第2イベント)
(f)参照地図(大域地図)更新
(g)参照地図に新規特徴が追加される
(h)新規特徴を外見データベースに追加する
外見データベースは、Locality Sensitve Hashing(LSH)に基づき構築する。LSHは、高次元空間中の或る質問点に対し、データベース中から近傍にある点を探索する。特に、E2LSH(Exact Euclidean Locality Sensitive Hashing)は、(R, cR)-Near Neighbor問題を扱う。これは、データベース点がqから距離Rの範囲内であるならば、ゴールは質問qから距離cRの中の点を返す、という性質を持つANN技術である。E2LSHはある近似ファクタρ(c)<1に対しO(nρ(c)log n)時間コストであり、他のANNアルゴリズムと比べても高速であることが示されている。本実施形態が、LSHを利用するもう一つの理由は、LSHがハッシュ表に基づく点にある。ツリーのような他のデータ構造とは異なり、ハッシュテーブルに基づく構造では、データベース要素の挿入/削除が頻繁かつ逐次的に行えるという利点がある。まず、LSHは、前処理において、K次元を備えたLハッシュ関数はp-stable分布(例えば正規分布)を用いて、確率的に生成する。そして、新しい特徴が参照地図(大域地図)に追加されるとき、以下のステップ(1)〜(3)によりデータベースを更新する。なお、新しい特徴が参照地図(大域地図)に追加されるとき(図11のフローチャートのS106:Yes参照)に実行される、ステップ(1)〜(3)は、図11のフローチャートのS112に相当する処理である。
(1)特徴の実世界位置を記憶する
(2)E2LSH関数により特徴をハッシュし、対応するビンにアクセスする、
(3)特徴の実世界位置とビンを関連付ける
iRANSACアルゴリズムを以下に要約する。タスクの始めに、特徴集合および仮説集合を空集合U←φ,V←φへと初期化する。そして、タスク中、次のステップ(1)〜(3)を繰り返す。なお、ステップ(1)は、図11のフローチャートのS102に相当し、ステップ(2)は、S116に相当し、ステップ(3)は、S118に相当する処理である。
(1)新規特徴Unewが到着したとき、特徴集合をU←Unew∪Uのように修正する
(2)新規仮説Vnewが到着したとき、仮説集合をV←Vnew∪Vのように修正する
(3)pRANSACのステップ(1)および(2)(上記「(pRANSACスキーム)」の項参照)を実行する。
(1)iRANSACアルゴリズムのステップ(1)および(2)(この「マップマッチング」の項に記載の上記ステップ(1)および(2)参照)を実行する
(2)オリジナルの幅優先ルールのステップ(1)および(2)(上記「(幅優先ルール)」の項参照)を実行する。その際、式(9)の形式のプリエンプティブ(Preemption)関数fb(i)を用いる。
本実施形態のシステム(マップマッチングシステム)の有効性を検証するため、自己位置推定の実験を行ったので、以下、本実施形態のシステム構成および実験結果について説明する。まず、本実施形態のシステムについて図2に基づいて説明する。本実施形態のシステムでは、環境内に複数台の参照地図生成ロボット#1,・・・,#Rおよび入力地図生成ロボットが在る。参照地図生成ロボットが取得した点を参照地図に挿入する。また、参照地図生成ロボットが取得した外見特徴を外見データベースに登録する。また、入力地図生成ロボットが観測した点を入力地図に挿入する。また、外見データベースの検索結果、および、入力地図と参照地図との逐次型マップマッチング結果をもとに、有望な位置合せの候補を探索する。
本実施形態のシステム(マップマッチングシステム)100について、図10に基づいて説明する。なお、図10に示すシステム100は、図2に示したマップマッチングシステムの処理部分を具体化して詳細に説明したものである。システム100は、制御部120と、入力部140と、外見データベース160と、メモリ180とを備える。制御部120は、上述した各種処理(後述するフローチャート参照)を実行する。具体的に、制御部120は、図形更新部と、特徴抽出部と、記憶制御部と、検索部と、仮説生成部と、仮説評価部として機能する。ここで、仮説評価部は、さらに、順序ルール部と、選択ルール部を含み、制御部120は、これら各部としても機能する。また、検索部は、ハッシュ表の各ビンに格納したハッシュ値のヒストグラムを管理する顕著性判定部を含み、制御部120は、顕著性判定部としても機能する。
本実施形態のシステム100で実行される処理について、図11に示すフローチャートに基づき参照して説明する。この処理を開始した制御部120は、まず、入力地図に新たな点を追加するか否かを判断する(S100)。判断の結果、入力地図に新たな点を追加する場合(S100:Yes)、制御部120は、入力地図に新たな点を挿入し(S102)、入力地図の局所特徴を抽出する(S104)。そして、制御部120は、処理をS100に戻す。
本実施形態のシステムによれば、逐次的かつ大規模環境な自己位置推定システムを実現することができる。LSH外見データベースとRANSACマップマッチングスキームを使用することにより、実際に大規模環境におけるリアルタイムの自己位置推定を実現した。実験結果から、本システムが自己位置推定タスクの間に逐次的に到着するローカル及びグローバルな特徴の多くに効率的に対処できることが示された。外見ベースと位置ベースの方法を結合した本システムは、動的な環境など、アウトライア(はずれ値)観測が多い環境においても有効であることが期待される。
120 制御部
140 入力部
160 外見データベース
180 メモリ
Claims (2)
- 点列で構成された2次元図形の位置合せをする2次元図形マッチング方法であって、
入力2次元図形および参照2次元図形に新たな点を挿入する図形更新工程と、
前記入力2次元図形および前記参照2次元図形各々の局所特徴を抽出する特徴抽出工程と、
前記特徴抽出工程によって抽出された前記参照2次元図形の前記局所特徴を記憶する記憶工程と、
前記特徴抽出工程によって抽出された前記入力2次元図形内の前記局所特徴の一つをクエリとし、前記記憶工程で記憶された前記参照2次元図形内で、前記クエリに関する前記局所特徴と類似する前記参照2次元図形内の局所特徴群を検索する検索工程と、
前記検索工程での検索結果から解候補としての仮説を含む仮説集合を生成する仮説生成工程と、
前記仮説集合に含まれる各仮説の確からしさを評価する仮説評価工程とを有し、
前記記憶工程は、前記特徴抽出工程によって抽出された前記参照2次元図形の前記局所特徴を、LSH関数でハッシュ値に変換し、当該ハッシュ値に対応するハッシュ表の全てのビンに前記参照2次元図形の前記局所特徴を関連付けて記憶し、
前記検索工程は、前記特徴抽出工程によって抽出された前記入力2次元図形内の前記局所特徴を、LSH関数でハッシュ値に変換し、当該ハッシュ値に対応する前記ハッシュ表の前記ビンにアクセスし、前記ハッシュ表中で前記入力2次元図形内の前記局所特徴に対応する前記局所特徴群を検索し、
前記仮説評価工程は、点と仮説との対である点仮説ペアの当該仮説のスコア値を計算し、計算された前記スコア値に基づき、前記点仮説ペアを評価する順序を計画する順序ルール工程と、前記順序ルール工程で計算された前記スコア値に基づき更新された、前記仮説の前記スコア値の履歴をもとに、最良の仮説を選出する選択ルール工程とを有することを特徴とする2次元図形マッチング方法。 - 前記仮説評価工程は、前記履歴が悪い仮説を、前記仮説集合から除外し、前記仮説集合が所定のサイズに納まるようにすることを特徴とする請求項1に記載の2次元図形マッチング方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009114066A JP5182762B2 (ja) | 2009-05-09 | 2009-05-09 | 2次元図形マッチング方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009114066A JP5182762B2 (ja) | 2009-05-09 | 2009-05-09 | 2次元図形マッチング方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010262546A true JP2010262546A (ja) | 2010-11-18 |
JP5182762B2 JP5182762B2 (ja) | 2013-04-17 |
Family
ID=43360545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009114066A Expired - Fee Related JP5182762B2 (ja) | 2009-05-09 | 2009-05-09 | 2次元図形マッチング方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5182762B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012176249A1 (ja) * | 2011-06-21 | 2012-12-27 | 国立大学法人奈良先端科学技術大学院大学 | 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、及び移動体 |
KR20190114523A (ko) * | 2018-03-30 | 2019-10-10 | 서울시립대학교 산학협력단 | 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램 |
JP2019537078A (ja) * | 2016-12-23 | 2019-12-19 | エックス デベロップメント エルエルシー | ロボット車両の位置測定 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02176518A (ja) * | 1988-12-28 | 1990-07-09 | Hitachi Ltd | 移動環境認識装置 |
-
2009
- 2009-05-09 JP JP2009114066A patent/JP5182762B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02176518A (ja) * | 1988-12-28 | 1990-07-09 | Hitachi Ltd | 移動環境認識装置 |
Non-Patent Citations (4)
Title |
---|
CSNG200600948005; 田中 完爾: '大規模環境における大域的自己位置推定のための逐次的RANSAC手法' 電子情報通信学会論文誌 第J89-D巻 第9号, 20060901, p.1976-1986, 社団法人電子情報通信学会 * |
CSNG200801121007; 田中 完爾: '高次特徴地図のためのE2LSHに基づくモンテカルロ自己位置推定' 電子情報通信学会論文誌 第J92-D巻 第1号, 20090101, p.70-80, 社団法人電子情報通信学会 * |
JPN6012068538; 田中 完爾: '大規模環境における大域的自己位置推定のための逐次的RANSAC手法' 電子情報通信学会論文誌 第J89-D巻 第9号, 20060901, p.1976-1986, 社団法人電子情報通信学会 * |
JPN6012068540; 田中 完爾: '高次特徴地図のためのE2LSHに基づくモンテカルロ自己位置推定' 電子情報通信学会論文誌 第J92-D巻 第1号, 20090101, p.70-80, 社団法人電子情報通信学会 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012176249A1 (ja) * | 2011-06-21 | 2012-12-27 | 国立大学法人奈良先端科学技術大学院大学 | 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、及び移動体 |
JPWO2012176249A1 (ja) * | 2011-06-21 | 2015-04-27 | 国立大学法人 奈良先端科学技術大学院大学 | 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、及び移動体 |
JP2019537078A (ja) * | 2016-12-23 | 2019-12-19 | エックス デベロップメント エルエルシー | ロボット車両の位置測定 |
KR20190114523A (ko) * | 2018-03-30 | 2019-10-10 | 서울시립대학교 산학협력단 | 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램 |
KR102078254B1 (ko) | 2018-03-30 | 2020-02-17 | 서울시립대학교 산학협력단 | 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램 |
Also Published As
Publication number | Publication date |
---|---|
JP5182762B2 (ja) | 2013-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Tpcn: Temporal point cloud networks for motion forecasting | |
CN110501017A (zh) | 一种基于orb_slam2的移动机器人导航地图生成方法 | |
US8798357B2 (en) | Image-based localization | |
Zhang et al. | Hierarchical topic model based object association for semantic SLAM | |
Liu et al. | A survey on deep-learning approaches for vehicle trajectory prediction in autonomous driving | |
Kwon et al. | Visual graph memory with unsupervised representation for visual navigation | |
Emmi et al. | A hybrid representation of the environment to improve autonomous navigation of mobile robots in agriculture | |
Tran et al. | Goal-driven long-term trajectory prediction | |
Cummins | Probabilistic localization and mapping in appearance space | |
Korrapati et al. | Vision-based sparse topological mapping | |
JP5182762B2 (ja) | 2次元図形マッチング方法 | |
Zlot et al. | Place recognition using keypoint similarities in 2D lidar maps | |
CN112733971B (zh) | 扫描设备的位姿确定方法、装置、设备及存储介质 | |
CN116946610B (zh) | 一种智能仓储系统货物拾取方法及装置 | |
Li et al. | An overview on sensor map based localization for automated driving | |
Rekleitis et al. | Efficient topological exploration | |
Wang et al. | Pole-like objects mapping and long-term robot localization in dynamic urban scenarios | |
Saeki et al. | Lsh-ransac: An incremental scheme for scalable localization | |
CN112347983A (zh) | 车道线检测处理方法、装置、计算机设备和存储介质 | |
Xiang et al. | A fast and map-free model for trajectory prediction in traffics | |
CN115586767A (zh) | 一种多机器人路径规划方法和装置 | |
Qin et al. | A path planning algorithm based on deep reinforcement learning for mobile robots in unknown environment | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales | |
Lin et al. | Merging grid maps in diverse resolutions by the context-based descriptor | |
Wu et al. | Visual loop closure detection by matching binary visual features using locality sensitive hashing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120307 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121213 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130108 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160125 Year of fee payment: 3 |
|
LAPS | Cancellation because of no payment of annual fees |