[論文レビュー] Motion Estimation in Occupancy Grid Maps in Stationary Settings Using Recurrent Neural Networks

Marcel Schreiber, Vasileios Belagiannis+2 more|arXiv (Cornell University)|Sep 25, 2019

Autonomous Vehicle Technology and Safety参考文献 28被引用数 21

ひとこと要約

本論文では、LiDARに基づく測定グリッドマップの系列から動的占有グリッドマップを推定するための再帰的ニューラルネットワーク（RNN）を提案している。各セルごとに占有確率と2次元速度を予測する。複雑な運転操作、例えばブレーキングや旋回において、パーティクルフィルターベースラインを上回り、静的領域における誤った予測が少なく、より一貫性があり正確な速度推定を実現している。

ABSTRACT

In this work, we tackle the problem of modeling the vehicle environment as dynamic occupancy grid map in complex urban scenarios using recurrent neural networks. Dynamic occupancy grid maps represent the scene in a bird's eye view, where each grid cell contains the occupancy probability and the two dimensional velocity. As input data, our approach relies on measurement grid maps, which contain occupancy probabilities, generated with lidar measurements. Given this configuration, we propose a recurrent neural network architecture to predict a dynamic occupancy grid map, i.e. filtered occupancy and velocity of each cell, by using a sequence of measurement grid maps. Our network architecture contains convolutional long-short term memories in order to sequentially process the input, makes use of spatial context, and captures motion. In the evaluation, we quantify improvements in estimating the velocity of braking and turning vehicles compared to the state-of-the-art. Additionally, we demonstrate that our approach provides more consistent velocity estimates for dynamic objects, as well as, less erroneous velocity estimates in static area.

研究の動機と目的

• 複雑な都市環境における車両の動的環境を占有グリッドマップを用いてモデル化する課題に取り組む。
• 特にブレーキングや旋回操作における移動物体の速度推定精度を向上させること。
• パーティクルフィルターベースの手法と比較して、静的領域における誤った速度予測を低減すること。
• 一定速度仮定に依存しない学習ベースのアプローチを開発すること。
• LiDAR測定の空間的・時間的系列を用いて、頑健で一貫性のある運動推定を可能にすること。

提案手法

• 本手法は、前向き伝搬と再帰的ニューラルネットワークモジュールを組み合わせたハイブリッドアーキテクチャを採用し、測定グリッドマップの系列処理にConvLSTM層を用いる。
• ConvLSTM層は、時間的・空間的依存関係を捉えることで、隣接セル間の空間的コンテキストを活用し、運動を時間と空間の両方でモデル化する。
• ネットワークは、事前処理済みのLiDARデータと既存のアルゴリズムから自動的に生成されたラベルを用いて教師あり学習で訓練される。
• 再帰的スキップ接続アーキテクチャにより、出力層で高解像度で密な予測が実現される。
• 入力は、LiDARポイントクラウドから導出された測定グリッドマップであり、各セルに占有確率が格納されている。
• 出力は、各セルごとの占有確率と、占有セルごとの2次元速度成分（vE, vN）を含む動的占有グリッドマップである。

実験結果

リサーチクエスチョン

• RQ1 パーティクルフィルターベースの手法と比較して、学習ベースのRNNアプローチは、動的走行シナリオにおける速度推定精度を向上させることができるか？
• RQ2 提案手法は、同一の物体を表す隣接セル間で一貫性のない速度推定を低減するか？
• RQ3 一定速度仮定が成り立たない、ブレーキングや旋回などの複雑な運転操作において、モデルはどのように性能を発揮するか？
• RQ4 明示的な物体検出やデータ連携なしに、未観測の都市環境へ一般化できるか？
• RQ5 静的領域における誤った速度予測は、どの程度低減されるか？

主な発見

• ストップアンドゴー走行シナリオでは、提案手法の速度大きさの平均絶対誤差（MAE）は0.742 m/sであり、パーティクルフィルターベースライン（1.268 m/s）を上回った。
• 速度方向に関しては、提案手法のMAEは8.447°であり、ベースラインの10.515°よりも顕著に低い値を示した。
• 円形走行シナリオでは、提案手法の方向性MAEは6.205°にまで低下したのに対し、ベースラインは21.084°であった。これは、曲線運動において優れた性能を発揮していることを示している。
• ストップアンドゴー走行シナリオにおいて、提案手法は平均標準偏差（¯σvel = 0.264 m/s）が低く、より一貫性のある速度推定を実現した。
• 定性的な評価では、静的領域における誤った速度推定が減少しており、静的障害物の輪郭部に色ノイズが少なく、速度矢印がより接線方向に整列していた。
• モデルは未観測の都市交差点に対しても強力な一般化性能を示し、真値と密接に一致する速度推定を生成し、動的シナリオにおいてパーティクルフィルターよりも優れた性能を発揮した。