This paper addresses the problem of target-directed exploration (TDE) in initially unknown and large-scale indoor environments. In such scenarios, the inference on an unknown space can improve the search performance under the assumption that the context of a particular space (i.e., the functional category of the space) is correlated with the existence of a target. The space inference is promising in that there is a strong statistical correlation between the semantic categories of indoor spaces and their adjacency because the spaces are designed to reflect universal human preferences. In this point of view, we propose a novel TDE scheme leveraging the semantic-spatial relations of an indoor floorplan dataset. Whereas existing works dealing with the data-driven space inferences consider only the one-to-one relation statistics of the spaces or utilize heuristic counting-based matching algorithms without building a trainable latent model, we propose the pattern cognitive Multivariate Bernoulli Distribution-based Graphical Space Inference Model (MBD-GSIM). MBD-GSIM efficiently captures the core contexts of the discrete semantic-spatial relations to predict an unknown space by using the latent Multivariate Bernoulli Distribution model. We also suggest utilizing the MBD-GSIM in a cost-utility based frontier exploration scheme for TDE problems. The proposed scheme is constructed in the Robot Operating System (ROS); its efficiency is investigated in the Gazebo simulation environment.
본 논문은 불확실한 환경에서 의미론적 공간 관계 기반의 공간 예측 및 탐사 문제를 다룬다. 부분 관측된 맵 정보를 바탕으로 미관측 공간에 대해 추론하는 것은 탐사 성능 향상에 기여할 수 있다. 특히, 탐사 임무에서 그 목적함수가 공간의 의미론적 특성과 연관되어 주어지는 경우, 미관측 공간의 존재 여부 뿐 아니라 공간의 의미 정보를 추론하는 것이 필요하다. 일반적으로, 실내와 같은 인공적으로 설계된 공간은 인간의 보편적인 선호도를 반영하여 설계되므로 공간의 의미와 그들 간의 연결 관계 사이에 높은 통계적 상관 관계가 있으며, 이를 활용하여 미지 공간의 의미 정보 추론이 가능함을 짐작할 수 있다. 이러한 특성을 이용하여 공간 추론을 시도한 기존 문헌들은 공간의 일대일 관계에 대한 확률 분포를 사전에 구축하거나 사전에 주어진 데이터와의 직접적인 매칭을 통해 공간 추론을 수행해 왔는데, 이들은 근본적으로 공간들 간의 복잡한 상호작용을 파라미터화하는 모델이 아니었으며, 추가 연구를 통한 공간 추론 성능 개선의 여지가 있다. 이러한 배경을 바탕으로, 본 논문에서는 복잡한 공간들 간의 관계를 파라미터화 할 수 있는 공간 추론 모델과 이를 활용한 효율적 탐사 방법을 제안한다. 제안되는 공간 추론 모델은 공간들 간의 복잡한 상호작용을 학습하는 데이터 기반의 모델이며, 해당 모델을 비용-효용 기반 경계 탐사 방법과 결합하는 방법을 새롭게 제안한다. 제안되는 공간 추론에 기반한 탐사 방법은 ROS 환경에서 구현되며 Gazebo 기반의 실내 로봇 탐사 시뮬레이션을 통해 그 효용을 검증한다.
