[論文レビュー] Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories

Hanlin Chen, Renyuan Luo+1 more|arXiv (Cornell University)|Jan 22, 2023

Automated Road and Building Extraction被引用数 5

ひとこと要約

本稿では、一時的作業区域における自動運転車（AV）のマッピングとナビゲーションを向上させるため、クラウドソーシングに基づく手法を提案する。この手法は、車両の軌道データを活用してガウス・ミックスチャネル・モデル（GMM）を用いて動的ドライブ可能な領域と占有グリッドマップ（OGM）を構築する。SLAM単体に比べ、認識精度とルール準拠性が著しく向上し、SLAMが失敗した状況でもAVはルール違反を回避した。

ABSTRACT

Prevalent solutions for Connected and Autonomous vehicle (CAV) mapping include high definition map (HD map) or real-time Simultaneous Localization and Mapping (SLAM). Both methods only rely on vehicle itself (onboard sensors or embedded maps) and can not adapt well to temporarily changed drivable areas such as work zones. Navigating CAVs in such areas heavily relies on how the vehicle defines drivable areas based on perception information. Difficulties in improving perception accuracy and ensuring the correct interpretation of perception results are challenging to the vehicle in these situations. This paper presents a prototype that introduces crowdsourcing trajectories information into the mapping process to enhance CAV's understanding on the drivable area and traffic rules. A Gaussian Mixture Model (GMM) is applied to construct the temporarily changed drivable area and occupancy grid map (OGM) based on crowdsourcing trajectories. The proposed method is compared with SLAM without any human driving information. Our method has adapted well with the downstream path planning and vehicle control module, and the CAV did not violate driving rule, which a pure SLAM method did not achieve.

研究の動機と目的

• 作業区域のような動的変化が生じる環境における高精細（HD）マップとSLAMの限界を解決すること。
• 作業区域における一時的なドライブ可能な領域と交通ルールに対するAVの認識を向上させること。
• 地上センサーに依存するのを減らし、クラウドソーシングされた軌道データを統合すること。
• 一時的な道路構成をリアルタイムでマッピングするための強固でデータドリブンな手法を開発すること。
• 複雑な作業区域シナリオにおいて、AVのパスプランニングおよび制御モジュールが安全かつ準拠的に動作することを保証すること。

提案手法

• 複数の車両が作業区域を通過する際のクラウドソーシングされた車両軌道データを収集する。
• 空間的分布をクラスタリングおよびモデル化するためにガウス・ミックスチャネル・モデル（GMM）を適用し、ドライブ可能な領域を同定する。
• GMMの出力を用いて、一時的なドライブ可能な領域と障害物を表す動的占有グリッドマップ（OGM）を生成する。
• 得られたマップを地上のSLAMデータと統合し、局所化と環境理解を向上させる。
• 強化されたマップを、リアルタイムのナビゲーションに向けた下流のパスプランニングおよび車両制御モジュールに統合する。
• プロトタイプ環境で、SLAM単体のナビゲーションと比較して性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 クラウドソーシングされた車両軌道は、一時的作業区域におけるドライブ可能な領域の検出精度を向上させることができるか？
• RQ2 軌道から得られるマップを統合することで、SLAM単体と比較してAVのナビゲーション性能はどのように向上するか？
• RQ3 GMMベースのマッピング手法は、動的環境において交通ルール準拠性をどの程度向上させるか？
• RQ4 クラウドソーシングデータとSLAMの統合は、作業区域におけるナビゲーション誤差とルール違反を減少させることができるか？
• RQ5 本手法は、現実世界の時間変動する作業区域シナリオにおいて、どの程度の耐性を示すか？

主な発見

• 提案手法は、クラウドソーシングされた軌道データとGMMクラスタリングを用いて、正確で動的なドライブ可能な領域マップを成功裏に構築した。
• GMMベースのOGMは、作業区域で一般的な一時的なレーンシフトや障害物パターンを効果的に捉えた。
• クラウドソーシングマップを用いたAVは交通ルール違反を回避したが、SLAM単体のナビゲーションではルール違反が発生した。
• 軌道から得られるマップの統合により、パスプランニングの信頼性と車両制御のパフォーマンスが向上した。
• システムはリアルタイム動作において耐性を示し、複雑で一時的な環境においてSLAM単体の手法を上回った。
• プロトタイプでは、クラウドソーシングが一時的な道路構成におけるAVの状況認識を著しく向上させられることを示した。