[論文レビュー] Joint Pose and Shape Estimation of Vehicles from LiDAR Data

Hunter Goforth, Xiaoyan Hu+2 more|arXiv (Cornell University)|Sep 8, 2020

Robot Manipulation and Learning参考文献 38被引用数 4

ひとこと要約

本論文は、共有エンコーダ・デコーダアーキテクチャを用いて、スパースLiDARスキャンから車両のポーズと形状を共同で推定するためのフレームワークを提案する。ポーズと形状予測を新しい結合損失関数で同時に学習することで、独立推定に比べて優れた精度と効率性を達成し、合成データでのみ学習されているにもかかわらず、実世界のArgoverseデータに対しても良好な一般化性能を示す。

ABSTRACT

We address the problem of estimating the pose and shape of vehicles from LiDAR scans, a common problem faced by the autonomous vehicle community. Recent work has tended to address pose and shape estimation separately in isolation, despite the inherent connection between the two. We investigate a method of jointly estimating shape and pose where a single encoding is learned from which shape and pose may be decoded in an efficient yet effective manner. We additionally introduce a novel joint pose and shape loss, and show that this joint training method produces better results than independently-trained pose and shape estimators. We evaluate our method on both synthetic data and real-world data, and show superior performance against a state-of-the-art baseline.

研究の動機と目的

• ポーズと形状推定を別々に扱う従来の研究の限界に対処する。両者の強い相関関係にもかかわらず、独立して処理されることが問題視されている。
• ポーズと形状予測の間で表現を共有する統合的ディーブラーニングフレームワークを構築し、性能を向上させる。
• 合成LiDARデータでのみ学習を行うが、実世界のシナリオに対しても強力な一般化性能を維持する。
• 1つのエンコーダを2つのタスクに共有することで、モデルの冗長性を低減し、推論効率を向上させる。
• 結合損失関数を用いた共同学習が、ポーズと形状ヘッドを別々に学習するのと比べて優れた結果をもたらすことを示す。

提案手法

• 共有エンコーダが、整列されていない原始的なLiDAR点群を1つの潜在表現に変換し、別々の符号化と比較して冗長性を低減する。
• 形状デコーダは、PCNアーキテクチャに基づき、共有コードから完全で均一にサンプリングされた3次元点群を再構築する。
• ポーズデコーダは、マルチレイヤーパーセプトロン（1024, 512, 512, 3）であり、共有コードから2次元の並進（x, y）とヘディング角θを回帰する。
• 新しい共同損失関数が、形状再構築損失（例：チェンファーディスタンス）とポーズ回帰損失を組み合わせ、2つのタスクを同時に最適化する。
• ネットワークは2段階で学習される：まず、エンコーダと形状デコーダを合成データで事前学習する。次に、エンコーダを固定した状態でポーズデコーダをファインチューニングし、最終的にエンドツーエンドの共同学習を行う。
• 合成データは、高解像度のCADモデルとシミュレーテッドLiDARセンサーを用いて生成され、教師付き学習のための部分的・完全スキャンペアが作成される。

実験結果

リサーチクエスチョン

• RQ1 部分的なLiDARスキャンからポーズと形状を共同で学習することで、独立推定に比べて性能が向上するか？
• RQ2 ポーズと形状ヘッドの間で1つのエンコーダを共有することで、冗長性が低減され、安定性が向上するか？
• RQ3 合成LiDARデータでのみ学習したモデルが、実世界の自動運転車両データに効果的に一般化できるか？
• RQ4 提案された共同損失は、独立学習と比較して、精度と頑健性の面で優れているか？
• RQ5 実世界の条件下で、遮蔽や点密度の変動が生じる状況でも、この手法が一貫した推定を維持できるか？

主な発見

• 共同学習による共有エンコーダモデルは、合成データおよび実世界データの両方で、独立に学習されたポーズと形状推定器を上回る性能を示す。
• Argoverseデータセットにおいて最先端の性能を達成し、実世界の15台の車両走行トラックのうち12台で、形状推定が真値に近い結果を出した。
• RGB入力がなくてもポーズ推定は正確に保たれ、ヘディング角の予測は多様な実世界の条件下でも良好に機能した。
• 合成データでのみ学習されているにもかかわらず、実世界データへの一般化が強く、ゼロショット一般化の能力を示した。
• 時間的なギャップが大きく、遮蔽や点密度が変動する状況でも、定性的な結果から、形状とポーズの推定が一貫して保持されていることが示された。
• 結合損失を用いた共同学習は、段階的事前学習に比べて性能が向上しており、エンドツーエンド最適化による利点が確認された。