[論文レビュー] Exploiting Sparse Semantic HD Maps for Self-Driving Vehicle Localization

Wei-Chiu Ma, Ignacio Tartavull+8 more|arXiv (Cornell University)|Aug 8, 2019

Robotics and Sensor-Based Localization参考文献 43被引用数 7

ひとこと要約

本論文は、走行車両の位置特定を、GPS および車両動態と併せて、レーン境界線や交通標識を含むスパarsな意味的 HD マップを活用するベイジアンフィルタリングベースの位置特定システムを提案する。従来の LiDARD 強度マップや 3D ポイントクラウドマップと比較して、0.3% のストレージコストでセンチメートルレベルの精度を達成する。本手法により、高速道路環境において、0.55 MiB/km² のマップストレージでリアルタイムかつ耐障害性の高い位置特定が可能となり、312km の高速道路走行において、中央値の横方向誤差が 0.05m、縦方向誤差が 1.12m に達する。

ABSTRACT

In this paper we propose a novel semantic localization algorithm that exploits multiple sensors and has precision on the order of a few centimeters. Our approach does not require detailed knowledge about the appearance of the world, and our maps require orders of magnitude less storage than maps utilized by traditional geometry- and LiDAR intensity-based localizers. This is important as self-driving cars need to operate in large environments. Towards this goal, we formulate the problem in a Bayesian filtering framework, and exploit lanes, traffic signs, as well as vehicle dynamics to localize robustly with respect to a sparse semantic map. We validate the effectiveness of our method on a new highway dataset consisting of 312km of roads. Our experiments show that the proposed approach is able to achieve 0.05m lateral accuracy and 1.12m longitudinal accuracy on average while taking up only 0.3% of the storage required by previous LiDAR intensity-based approaches.

研究の動機と目的

• 自律走行車両の位置特定に用いられる従来の HD マップの高コストなストレージとスケーラビリティの制限を解決すること。
• 大規模な高速道路環境において、最小限のマップデータでセンチメートルレベルの位置特定精度を実現すること。
• レーンや交通標識などのスパarsな意味的特徴を活用することで、密度の高い幾何的または視覚的特徴への依存を低減すること。
• カメラ、LiDAR、GPS、IMU といった複数のセンサモダリティを統合し、一元的な確率的フレームワークとして位置特定を実現すること。
• 312km の高速道路データセット上で、リアルタイム性能とスケーラビリティを実証すること。

提案手法

• 時間経過にわたる観測の融合を可能とするヒストグラムフィルタを用いて、車両の位置特定をベイジアンフィルタリング問題として定式化する。
• 地上から見たビューにおける LiDAR スイープから、切断された逆距離変換を用いてレーン境界線を検出する。
• カメラ画像における 2D の意味的セグメンテーションにより交通標識を検出し、LiDAR ポイントを用いて 3D に投影してマップ統合を行う。
• 複数の回転角度にわたるマップ仮説と検出された意味的特徴をアライメントするために、微分可能で剛体変換層を適用する。
• 推定された意味的特徴とマップ表現との内積を用いて一致スコアを計算し、フィルタ内の尤度として用いる。
• GPS、ホイールエンコーダー、IMU データと意味的観測を統合するために、ソフトアーグマックスを用いて事後姿勢分布を推定する。

実験結果

リサーチクエスチョン

• RQ1 レーンや交通標識から構成されるスパarsな意味的 HD マップは、ストレージを著しく削減した上で高精度な位置特定を可能にするか？
• RQ2 レーン観測と標識観測は、どのようにして横方向および縦方向の車両位置の不確実性を相補的に解消するか？
• RQ3 確率的ベイジアンフィルタリングフレームワークは、繰り返しの多い高速道路環境においてもリアルタイム性能を維持しながら、位置特定の耐障害性を確保できるか？
• RQ4 意味的マップと比較して、密度の高い LiDAR 強度マップや 3D ポイントクラウドマップを用いる場合の、精度とストレージコストのトレードオフは何か？
• RQ5 車両動態と複数のセンサモダリティを統合することで、GPS 僅どのベースラインや幾何学的特徴に依存するベースラインと比較して、位置特定の耐障害性が向上するか？

主な発見

• 提案手法は、312km の高速道路走行において、中央値の横方向誤差が 0.05m、縦方向誤差が 1.12m に達する。
• 本システムは単一の GPU で約 7Hz で動作し、1 フレームあたり 153ms の推論遅延を示しており、リアルタイム実装の可能性を示している。
• 意味的 HD マップのストレージは 0.55 MiB/km² に留まり、LiDAR 強度マップの 0.3%、3D ポイントクラウドマップの 0.03% に相当する。
• アブレーションスタディの結果、レーン観測は横方向の精度を著しく向上させ、標識観測は縦方向の精度を向上させ、GPS は最悪ケースの耐障害性に寄与していることが示された。
• 確率的ヒストグラムフィルタは、時間経過にわたる不確実性の伝播により、決定論的ベースラインよりも高い精度と滑らかな姿勢推定を達成した。
• 夜間の低照度条件下でも、標識の検出とマップ構築に成功しており、本システムは低照度環境でも高い精度を維持していることが実証された。