[論文レビュー] Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review

Arman Asgharpoor Golroudbari, Mohammad Hossein Sabour|arXiv (Cornell University)|Feb 22, 2023

Robotic Path Planning Algorithms被引用数 4

ひとこと要約

この包括的なレビューでは、認識、局所化、マッピング、経路計画、制御を統合するエンドツーエンドフレームワークに注目し、自律走行の分野における深層学習の最近の進展を統合的に要約している。畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、トランスフォーマー、強化学習（RL）の応用を、物体検出、セマンティックセグメンテーション、SLAM、意思決定の分野で評価し、精度と頑性の向上を強調しつつ、解釈可能性、安全性、現実世界への一般化能力の面での課題を明らかにしている。

ABSTRACT

This review article is an attempt to survey all recent AI based techniques used to deal with major functions in This review paper presents a comprehensive overview of end-to-end deep learning frameworks used in the context of autonomous navigation, including obstacle detection, scene perception, path planning, and control. The paper aims to bridge the gap between autonomous navigation and deep learning by analyzing recent research studies and evaluating the implementation and testing of deep learning methods. It emphasizes the importance of navigation for mobile robots, autonomous vehicles, and unmanned aerial vehicles, while also acknowledging the challenges due to environmental complexity, uncertainty, obstacles, dynamic environments, and the need to plan paths for multiple agents. The review highlights the rapid growth of deep learning in engineering data science and its development of innovative navigation methods. It discusses recent interdisciplinary work related to this field and provides a brief perspective on the limitations, challenges, and potential areas of growth for deep learning methods in autonomous navigation. Finally, the paper summarizes the findings and practices at different stages, correlating existing and future methods, their applicability, scalability, and limitations. The review provides a valuable resource for researchers and practitioners working in the field of autonomous navigation and deep learning.

研究の動機と目的

• 自律走行における深層学習の応用について、認識、局所化、マッピング、制御の分野で包括的な概要を提供すること。
• SLAM、障害物回避、運動計画などの従来のナビゲーション要素と深層学習を統合する分析を行うこと。
• 動的かつ不確実な環境下におけるエンドツーエンドの深層学習フレームワークの性能、スケーラビリティ、限界を評価すること。
• 深層学習ベースのナビゲーションシステムの現実世界への導入に際しての、頑性、解釈可能性、安全性の面での未解決課題を特定すること。
• 自律走行分野における今後の研究方向性と現在の手法を関連付けることで、研究者および実務家を支援すること。

提案手法

• 2015年から2023年までの査読付き論文を対象とした体系的レビュー。自律走行における深層学習の応用に焦点を当てている。
• 関数別に深層学習技術を分類：認識およびセグメンテーションには畳み込みニューラルネットワーク（CNNs）、時系列モデリングにはRNN/LSTM、アテンションベースの特徴学習にはトランスフォーマーを適用。
• 認識モジュールと意思決定モジュールを統合的に訓練することで、認識、局所化、制御を統合するエンドツーエンドフレームワークの分析。
• LiDAR、カメラ、IMU、レーダーからのデータを統合する深層学習ベースの統合ネットワークを用いたセンサーフュージョン技術の評価。
• DQN や PPO などの強化学習（DRL）手法を用いたナビゲーションタスクにおける方策学習の分析。
• モデルの解釈性と自律システムにおける信頼性を向上させるために、アテンション機構と解釈可能性ツールの統合。

Figure 1: Structure of an artificial neuron

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、自律走行システムにおける物体検出およびセマンティックセグメンテーションの分野で、どのように向上を遂げたか？
• RQ2 モジュラー手法と比較して、エンドツーエンドの深層学習フレームワークが自律走行に与える主な利点と限界は何か？
• RQ3 動的または複雑な環境下で、深層学習を活用したSLAMシステムは、従来の手法をどのように上回るか？
• RQ4 深層強化学習は、現実世界の不確実な環境において、頑健なナビゲーション方策をどの程度学習できるか？
• RQ5 安全性、解釈可能性、頑性の観点から、自律走行に向けた深層学習モデルの導入に際しての主な課題は何か？

主な発見

• Faster R-CNN、SSD、YOLO などの畳み込みニューラルネットワーク（CNNs）は、自律走行におけるリアルタイム物体検出の精度と推論速度を著しく向上させた。
• U-Net や DeepLab アーキテクチャは、安全な走行に不可欠なピクセル単位のシーン理解を可能にする、セマンティックセグメンテーション分野における最先端の性能を達成した。
• Deep SLAM や学習済み特徴を用いた ORB-SLAM などの深層学習ベースのSLAMシステムは、低テクスチャや動的物体が存在するような困難な条件下でも、特徴抽出とマッチングにおいて従来手法を上回っている。
• DQN や PPO などの強化学習アルゴリズムは、部分観測可能な環境においても、試行錯誤による学習を通じて複雑なナビゲーション方策を学習する強力な可能性を示している。
• 高い性能を発揮する一方で、深層学習モデルは、照明不良、隠蔽、センサーノイズなどの悪条件に対して脆弱であり、現実世界への導入における主な制限要因であることが浮き彫りになった。
• 解釈可能性は依然として大きな課題であり、安全で重要な応用分野におけるモデル意思決定の理解と検証を可能にするために、アテンション機構と可視化ツールが不可欠な技術として登場している。

Figure 2: Structure of a deep feedforward neural network