[論文レビュー] End-to-end driving simulation via angle branched network

Qing Wang, Long Chen+1 more|arXiv (Cornell University)|May 19, 2018

Autonomous Vehicle Technology and Safety参考文献 19被引用数 10

ひとこと要約

本論文は、新しいナビゲーションコマンドであるサブゴール角度と、角度分岐型ネットワークアーキテクチャを用いたエンドツーエンドドライブシミュレーションフレームワークを提案する。画像、深度、セグメンテーション入力を、サブゴール角度によって特徴をルーティングする分岐型モデルと統合することで、CARLA都市シミュレーションにおいて94%の成功率と99.0%のノーマルドライブレートを達成し、ベースラインモデルと比較して、車両および歩行者との衝突を顕著に低減した。

ABSTRACT

Imitation learning for end-to-end autonomous driving has drawn attention from academic communities. Current methods either only use images as the input which is ambiguous when a car approaches an intersection, or use additional command information to navigate the vehicle but not automated enough. Focusing on making the vehicle drive along the given path, we propose a new navigation command that does not require human's participation and a novel model architecture called angle branched network. Both the new navigation command and the angle branched network are easy to understand and effective. Besides, we find that not only segmentation information but also depth information can boost the performance of the driving model. We conduct experiments in a 3D urban simulator and both qualitative and quantitative evaluation results show the effectiveness of our model.

研究の動機と目的

• 交差点に近づく際のエンドツーエンドドライブにおける曖昧さ、特に画像のみの入力が曲がり方の意思決定を区別できない問題に対処すること。
• 人為的コマンドなしで自律的かつ解釈可能で、パスフォローリングに効果的なナビゲーションコマンドを開発すること。
• ナビゲーションコマンドを用いて特徴処理を誘導する新しい分岐型ニューラルネットワークアーキテクチャを設計し、ドライブポリシーのロバスト性を向上させること。
• 深度およびセグメンテーション情報が衝突低減および総合的ドライブパフォーマンスに与える影響を調査すること。

提案手法

• 車両の現在位置とパス上の離散的な点（サブゴールポイント）から計算されるサブゴール角度という新しいナビゲーションコマンドを導入し、ステアリング意思決定をガイドする。
• サブゴール角度が入力特徴を処理するネットワークのどの分岐を通過させるかを決定する角度分岐型ネットワークを設計し、ナビゲーション意図に基づく条件付き特徴学習を可能にする。
• フロントカメラ、速度、および追加入力（RGB、深度、セグメンテーション）を観測として用い、エンドツーエンドポリシーネットワークを学習する。
• CARLAシミュレータで収集したエキスパートのデモンストレーションを用いてアシスト学習でモデルを学習し、出力はステアリング角度とバイナリータンス制御とする。
• 深度画像を[0,12]に正規化し、他の入力と数値スケールを一致させ、学習安定性を向上させる。
• 成功率、ノーマルドライブレート、および衝突メトリクス（歩行者、車両、その他の物体）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 サブゴール角度ナビゲーションコマンドは、ハイレベルコマンドのみまたは画像のみのベースラインと比較して、エンドツーエンドドライブパフォーマンスを向上させることができるか？
• RQ2 サブゴール角度を用いて特徴をルーティングする分岐型ネットワークアーキテクチャは、より良い一般化性能と低い衝突率をもたらすか？
• RQ3 深度およびセグメンテーション情報を組み込むことで、歩行者や車両などの動的障害物との衝突はどの程度低減されるか？
• RQ4 サブゴール角度とマルチモodal入力（RGB、深度、セグメンテーション）の組み合わせは、都市シミュレーションにおける成功率およびノーマルドライブレートにどのような影響を与えるか？

主な発見

• 角度分岐型（rgbds）モデルは、94%の最高成功率と99.0%のノーマルドライブレートを達成し、両方の指標で他のすべてのモデルを上回った。
• 角度入力（rgbs）モデルは、92%の成功率と99.5%のノーマルドライブレートを達成し、ベースラインモデル（54%の成功率）を顕著に上回った。
• 深度情報を組み込むことで衝突率が低下した：角度入力（rgbds）モデルでは、車両との衝突が1kmあたり0.30件、歩行者との衝突が0.41件であったのに対し、角度入力（rgbs）モデルでは1.04件と0.62件であった。
• わずかに高い損失値を示したものの、角度分岐型（rgbds）モデルは角度入力（rgbds）モデルよりもロバスト性が高く、衝突率も低かったため、一般化性能の向上が示された。
• ベースラインモデルの失敗事例の主な原因は誤ったステアリング予測であったのに対し、角度入力（rgbs）モデルの失敗事例は主にターンス制御の誤予測であった。これは、サブゴール角度がステアリング予測に与える利点を示している。
• 深度情報は、車両および歩行者との衝突を顕著に低減させ、実世界の安全性において極めて重要な役割を果たしていることが示された。ただし、一部の設定ではノーマルドライブレートをわずかに低下させる要因ともなった。