[論文レビュー] Conditional Affordance Learning for Driving in Urban Environments

Axel Sauer, Nikolay Savinov+1 more|arXiv (Cornell University)|Jun 18, 2018

Autonomous Vehicle Technology and Safety被引用数 29

ひとこと要約

本稿では、複雑な都市環境における安全で滑らかな自動運転を実現するため、動画入力と高レベルのナビゲーションコマンドを低次元のアフォーダンス表現にマッピングする直接的視覚認識アプローチである条件付きアフォーダンス学習（CAL）を提案する。方向性の意図を条件付けとして用い、画像レベルのラベルを活用することで、CARLA上での目的指向ナビゲーションで68%の向上を達成し、信号機と速度制限標識の処理をエンドツーエンドで学習可能にし、シミュレーションにおける事故を顕著に削減する。

ABSTRACT

Most existing approaches to autonomous driving fall into one of two categories: modular pipelines, that build an extensive model of the environment, and imitation learning approaches, that map images directly to control outputs. A recently proposed third paradigm, direct perception, aims to combine the advantages of both by using a neural network to learn appropriate low-dimensional intermediate representations. However, existing direct perception approaches are restricted to simple highway situations, lacking the ability to navigate intersections, stop at traffic lights or respect speed limits. In this work, we propose a direct perception approach which maps video input to intermediate representations suitable for autonomous navigation in complex urban environments given high-level directional inputs. Compared to state-of-the-art reinforcement and conditional imitation learning approaches, we achieve an improvement of up to 68 % in goal-directed navigation on the challenging CARLA simulation benchmark. In addition, our approach is the first to handle traffic lights and speed signs by using image-level labels only, as well as smooth car-following, resulting in a significant reduction of traffic accidents in simulation.

研究の動機と目的

• モジュラーなパイプラインが複雑すぎる都市部ドライブのシナリオに直接的視覚認識を拡張すること。
• 高レベルのナビゲーションコマンド（例：左に曲がる）を用いてアフォーダンス予測をガイドする条件付きニューラルネットワークの開発。
• ピクセル単位のラベル付けに代わる画像レベルのアノテーションのみを用いて、信号機と速度制限標識認識をエンドツーエンドで学習可能にする。
• 安定した制御とジャージャー（急発進・急停止）の低減を支援する中間表現を学習することで、ドライブの滑らかさと安全性を向上させること。
• シミュレーションにおいて解釈可能性と耐性を維持しつつ、目的指向ナビゲーションで最先端の性能を達成すること。

提案手法

• ビデオエンコーダーが連続するRGBフレームを処理し、空間的・時間的特徴を抽出する。
• 高レベルのナビゲーションコマンドを条件として、低次元のアフォーダンスベクトル（例：中央線からの距離、相対角度、車両との距離など）のセットを予測する条件付きヘッド。
• アフォーダンス予測結果は、従来のコントローラーが制御命令（ステアリング、アクセル）を生成するために使用される。
• ピクセル単位のアノテーションを回避するため、信号機と速度制限標識の画像レベルラベルを用いた教師あり学習でモデルを訓練する。
• 時間的モデリングはLSTM、GRU、または時間的畳み込み層を用いて実装され、時間的な安定性を向上させる。
• タスク固有のヘッド設計を用いて、複数のアフォーダンスタイプを同時に最適化するマルチタスク学習の目的関数。

実験結果

リサーチクエスチョン

• RQ1 直接的視覚認識フレームワークにおいて、条件付きアフォーダンス学習は、エンドツーエンドの模倣学習や強化学習と比較して、複雑な都市環境における目的指向ナビゲーション性能を向上させ得るか？
• RQ2 直接的視覚認識フレームワークにおいて、画像レベルのラベルのみを用いて信号機と速度制限標識を効果的に認識できるか？
• RQ3 高レベルのナビゲーションコマンドにアフォーダンス予測を条件づけることで、ドライブの安定性と安全性がどのように向上するか？
• RQ4 時間的モデリングは、ドライブ行動の耐性と滑らかさをどの程度向上させるか？
• RQ5 最小限の監視のもとで、交差点や動的障害物を含む多様な都市シナリオにモデルが一般化可能か？

主な発見

• CALは、最先端の強化学習および条件付き模倣学習手法と比較して、CARLAベンチマーク上での目的指向ナビゲーション成功確率で68%の向上を達成した。
• 本モデルは、都市部ドライブにおける直接的視覚認識の分野で、画像レベルのラベルのみを用いて信号機と速度制限標識を効果的に検出することに成功した。これは画期的な成果である。
• CALエージェントは、滑らかな車両追従制御と適切な信号機準拠を可能にすることで、シミュレーションにおける交通事故を削減した。
• 中央線からの偏差の中央値は0.334 mであり、CIL（0.390 m）およびRL（0.755 m）を上回り、優れたレーンキープ性能を示した。
• 縦方向のジャージャーは0.333 m/s³にまで低減され、RL（1.368 m/s³）と比べ顕著に低く抑えられ、加速・減速が滑らかであることを示した。
• 曲がりの際の横方向ジャージャーは0.065 m/s³であり、RL（0.548 m/s³）と比べ顕著に低く抑えられ、スムーズなステアリング移行を示した。