小型移動ロボット向け深層学習ベースSLAM技術の開発とそのハードウェア化

点击翻译按钮获取中文摘要

点群レジストレーションは、様々な視点から撮影された点群を貼り合わせる処理を指し、ロボットの自己位置推定と地図構築 (SLAM)、そして自律走行を実現するうえで欠かせない。深層学習の発展により、精度や頑健性に優れた手法が数多く登場しているが、計算量とメモリ消費の増大が課題となっている。ロボット上の計算資源には限りがあるため、処理の軽量化と高効率化がより一層求められる。申請者は本年度、軽量なニューラルネットに基づく手法 (PointNetLK)に着目し、再構成可能デバイス (FPGA)を用いてその高速化を行った。特徴抽出を80倍以上、レジストレーション処理全体を35倍高速化し、組み込みGPU (NVidia Jetson)と比べて2倍のエネルギー効率を実現した。また、初期値に依存しない頑健なレジストレーション手法として、点群特徴抽出によるものが数多く提案されている。これらの手法はSLAMのループ検出処理に用いられ、長時間動作に伴う累積誤差を解消し、精度を保つために必要である。このことから申請者は、最も広く普及している点群特徴量 (FPFH)を対象として、ハードウェア化に向けたアルゴリズムの効率化と、そのFPGA実装を行った。組み込みCPU (ARM Cortex-A53)と比べて処理を4.6倍高速化し、エネルギー効率を3倍改善した。さらに申請者は、障害物を回避しつつ、与えられた始点と終点を結ぶ最短経路を求める経路計画手法の研究を開始した。深層学習ベースの手法であるMPNetに着目し、ニューラルネットの改良と小型化、およびそのFPGA実装を行った。2次元の経路計画問題に関しては、32倍のパラメータ数削減、21倍の高速化を実現し、元の手法と比べて成功率が20%以上改善した。これら3つの結果は、小型移動ロボット上でリアルタイム動作可能なSLAMアプリケーションの実現に繋がる。