[論文レビュー] Perception Entropy: A Metric for Multiple Sensors Configuration Evaluation and Design

Tao Ma, Zhizheng Liu+1 more|arXiv (Cornell University)|Apr 14, 2021

Robotics and Sensor-Based Localization参考文献 16被引用数 10

ひとこと要約

本稿では、ベイジアン理論における条件付きエントロピーに基づく、自律走行車両におけるマルチセンサ構成の定量的評価および最適化を目的とした新規指標「パーセプションエントロピー」を提案する。対象検出における不確実性としてのパーセプション性能をモデル化し、センサ融合戦略を統合することで、カメラとLiDARの配置を体系的に最適化可能となり、シミュレーションおよび最先端手法との比較によって、優れたパーセプション性能を実現したことが検証された。

ABSTRACT

Sensor configuration, including the sensor selections and their installation locations, serves a crucial role in autonomous driving. A well-designed sensor configuration significantly improves the performance upper bound of the perception system. However, as leveraging multiple sensors is becoming the mainstream setting, existing methods mainly focusing on single-sensor configuration problems are hardly utilized in practice. To tackle these issues, we propose a novel method based on conditional entropy in Bayesian theory to evaluate the sensor configurations containing both cameras and LiDARs. Correspondingly, an evaluation metric, perception entropy, is introduced to measure the difference between two configurations, which considers both the perception algorithm performance and the selections of the sensors. To the best of our knowledge, this is the first method to tackle the multi-sensor configuration problem for autonomous vehicles. The simulation results, extensive comparisons, and analysis all demonstrate the superior performance of our proposed approach.

研究の動機と目的

• 自律走行車両におけるマルチモーダルセンサ構成を評価するための定量的で統一的な手法の不足に対処すること。
• 解像度、点群密度、パーセプションアルゴリズムの性能を捉えられない、ヒューリスティック的で視野（FOV）に基づく手法の限界を克服すること。
• カメラやLiDARなど異なるモダリティを統一的に評価できる、一般化可能なフレームワークを構築し、1つの原理的指標で評価可能とすること。
• パーセプションエントロピーを最大化することでセンサ配置を最適化し、これはパーセプション性能の理論的上限を反映している。
• 統一された統合戦略を通じて、パーセプション能力とセンサの冗長性のバランスを取ることで、コスト効率の良い設計を可能とすること。

提案手法

• 本手法は、センサ構成に応じたガウス分布としての物体認識をモデル化し、検出における不確実性を捉える。
• パーセプションエントロピーは、対象検出分布の条件付きエントロピーとして計算され、エントロピーが高いほど不確実性が低く、構成が優れていることを示す。
• 本手法は、パーセプションアルゴリズムの平均適合度（AP）と、対象に当たるピクセル数またはレーザー点数との間の定量的関係を確立する。
• カメラとLiDARを統合するためのモダリティ固有のセンサ融合戦略を採用し、単一の確率的フレームワーク内で統一する。
• 最適化プロセスでは勾配ベースまたはヒューリスティック探索を用い、パーセプションエントロピーを最大化するセンサ配置を特定する。
• センサパラメータ（視野、設置位置、ピッチ角など）を体系的に変化させたシミュレーションを通じて、フレームワークの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 カメラとLiDARを組み合わせたマルチセンサ構成のパーセプション潜在能力をどのように定量的に評価できるか？
• RQ2 センサ構成（例：FOV、設置位置）とパーセプションアルゴリズムの性能の間にはどのような関係があるか？
• RQ3 カメラやLiDARなど異なるセンサモダリティを、1つの評価・最適化フレームワークに統合するにはどうすればよいか？
• RQ4 パーセプションエントロピーは、パーセプション性能の理論的上限を信頼できる代理指標として機能するか？
• RQ5 本手法は、ヒューリスティック的またはFOVに基づく手法に比べて、センサ配置最適化においてどのように優れているか？

主な発見

• 60°HFOVカメラはパーセプションエントロピー2.0055を達成し、120°HFOVカメラ（2.0237）を上回った。これは、長距離での高解像度が広視野よりも優位であることを示している。
• バスに搭載された2台のPandar40 LiDARの最適な配置は非対称的で、わずかなピッチ角オフセットをとることで、ビームの重複を低減し、対象への点群密度を向上させた。
• 前部のAピラーに2台のLiDARを設置し、前部重視係数w(s,c)を2倍にした場合、パーセプションエントロピーは1.7119から1.6864に向上し、前部カバレッジが向上した。
• LiDARオンリーセットアップに30°HFOVの前面カメラと60°HFOVの背面カメラを追加したことで、パーセプションエントロピーが著しく向上し、マルチモーダル融合の利点が実証された。
• 完全なLiDAR-カメラ構成のパーセプションエントロピー（2.0055）は、LiDARオンリーセットアップ（1.7119）を上回り、センサ統合の価値を確認した。
• 本手法は、LiDAR間のピッチ角のわずかな違いといった、微細な構成改善を的確に捉えており、点群カバレッジの向上とブラインドスポットの低減に寄与した。