[論文レビュー] A Self-Supervised Terrain Roughness Estimator for Off-Road Autonomous Driving

David Stavens, Sebastian Thrun|arXiv (Cornell University)|Jun 27, 2012

Advanced Measurement and Metrology Techniques参考文献 13被引用数 39

ひとこと要約

本論文は、レーザースキャンデータと加速度計測定値を用いて、走行可能な表面の2階微分として定義される地形の粗さを推定する自己教師付き機械学習手法を提案する。センサーノイズとポーズ誤差を多変数多項式としてモデル化し、衝撃データで訓練することで、システムは事前に粗い地形を特定し、自律走行車両が事前に速度を落として車両の衝撃を最小限に抑えることを可能にする。

ABSTRACT

We present a machine learning approach for estimating the second derivative of a drivable surface, its roughness. Robot perception generally focuses on the first derivative, obstacle detection. However, the second derivative is also important due to its direct relation (with speed) to the shock the vehicle experiences. Knowing the second derivative allows a vehicle to slow down in advance of rough terrain. Estimating the second derivative is challenging due to uncertainty. For example, at range, laser readings may be so sparse that significant information about the surface is missing. Also, a high degree of precision is required in projecting laser readings. This precision may be unavailable due to latency or error in the pose estimation. We model these sources of error as a multivariate polynomial. Its coefficients are learned using the shock data as ground truth -- the accelerometers are used to train the lasers. The resulting classifier operates on individual laser readings from a road surface described by a 3D point cloud. The classifier identifies sections of road where the second derivative is likely to be large. Thus, the vehicle can slow down in advance, reducing the shock it experiences. The algorithm is an evolution of one we used in the 2005 DARPA Grand Challenge. We analyze it using data from that route.

研究の動機と目的

• 車両の衝撃と乗り心地に直接影響を与えるにもかかわらず、ロボットビジョン分野において地形の粗さ（2階微分）に注目が集まっていないという問題に対処すること。
• レーザーデータの疎らさとポーズ推定誤差による表面粗さ推定の課題を克服すること。
• 加速度計測定値を教師データとして用いることで、レーザーに基づく粗さ推定を訓練する、強固な自己教師付き学習フレームワークを開発すること。
• 自律走行車両が粗い地形を予測し、機械的ストレスを低減するために事前に速度を調整できるようにすること。

提案手法

• センサーノイズとポーズ推定誤差を多変数多項式としてモデル化し、ノイズと遅延を補償する。
• 物理的衝撃と表面粗さを結びつけるために、加速度計測定値を教師データとして用い、多項式係数を訓練する。
• 3次元点群からの個々のレーザー読み取り値を処理し、2階微分が大きい領域（つまり粗い地形）を分類する。
• 2005年 DARPA グランドチャレンジのルートからのデータを用いて、エンドツーエンドでシステムを訓練し、性能を検証する。
• 訓練された分類器をリアルタイムで適用し、車両が走行する前に粗い地形セクションを検出する。
• 手動アノテーションではなく、センサーデータから得られる衝撃データを用いることで自己教師学習を活用し、ラベル付けコストを削減する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き学習アプローチを用いて、レーザースキャンと加速度計測定値のみで地形の粗さを効果的に推定できるか？
• RQ2 センサーノイズとポーズ推定誤差をどのようにモデル化すれば、粗さ推定の精度を向上させられるか？
• RQ3 障害物検出に依存する場合と比較して、粗さ推定を用いることで、車両の衝撃をどの程度低減できるか？
• RQ4 過去の自律走行コンテストのデータを用いて、実世界のオフロード環境に一般化できるか？
• RQ5 粗さの代理指標として加速度計測定値を用いることで、地形分類のロバスト性がどの程度向上するか？

主な発見

• 本手法は、多変数多項式を用いてセンサーノイズとポーズ誤差を効果的にモデル化し、疎らでノイズの多いレーザーデータに対しても耐性を高めている。
• システムは粗い地形セクションを高い精度で特定でき、車両の衝撃を最小限に抑えるために事前に速度を落とすことが可能になっている。
• 2005年 DARPA グランドチャレンジの実世界データを用いた検証により、実用的応用が示された。
• 加速度計測定値を用いた自己教師学習により、粗さの手動ラベル付けの必要がなくなり、アノテーションの負担が軽減された。
• 1階微分に基づく障害物検出よりも優れた性能を示し、乗り心地や機械的ストレスに直接影響を与える地形特性を捉えている。
• 分類器は個々のレーザー読み取り値に対して効率的に処理でき、自律走行中のリアルタイムな地形評価を可能にしている。