[論文レビュー] SafeDrive: A Robust Lane Tracking System for Autonomous and Assisted Driving Under Limited Visibility

Junaed Sattar, Jiawei Mo|arXiv (Cornell University)|Jan 29, 2017

Autonomous Vehicle Technology and Safety参考文献 10被引用数 3

ひとこと要約

SafeDriveは、GPSを用いて過去の道路ビュー画像をデータベースから取得し、特徴ベースおよびピクセルベースのホモトピー推定を用いて、リアルタイムのカメラ映像と一致させることで、視認性が低い状況下でもレーンマーカーを検出可能な低コストで視覚ベースのレーン追跡システムを提案する。このシステムは、ベースライン手法と比較してSSD誤差を25%削減し、劣悪な条件下でも正確なレーン投影を実現する。

ABSTRACT

We present an approach towards robust lane tracking for assisted and autonomous driving, particularly under poor visibility. Autonomous detection of lane markers improves road safety, and purely visual tracking is desirable for widespread vehicle compatibility and reducing sensor intrusion, cost, and energy consumption. However, visual approaches are often ineffective because of a number of factors, including but not limited to occlusion, poor weather conditions, and paint wear-off. Our method, named SafeDrive, attempts to improve visual lane detection approaches in drastically degraded visual conditions without relying on additional active sensors. In scenarios where visual lane detection algorithms are unable to detect lane markers, the proposed approach uses location information of the vehicle to locate and access alternate imagery of the road and attempts detection on this secondary image. Subsequently, by using a combination of feature-based and pixel-based alignment, an estimated location of the lane marker is found in the current scene. We demonstrate the effectiveness of our system on actual driving data from locations in the United States with Google Street View as the source of alternate imagery.

研究の動機と目的

• 降雪、低照度、遮蔽などの悪化した視認性条件下でも自律走行および支援走行におけるレーン追跡の信頼性を向上させること。
• LiDAR やレーダーなどの高価または侵襲的なセンサに依存せず、視覚データとGPSのみを用いること。
• 消費者用車両向けのレーン逸脱警告に適した低コストでスマートフォン互換のソリューションを開発すること。
• 視覚的ヒントが完全に欠落している、もしくは著しく劣化した状況でのレーン検出を可能にすること。
• 歴史的な道路ビュー画像をリアルタイムの視覚的レーン検出のバックアップとして使用する可能性を実証すること。

提案手法

• システムは、車両のGPS座標を用いて、Google Street Viewなどのデータベースから、同じ道路位置の地理的にタグ付けされた過去の画像を取得する。
• 特徴ベースの一致（例：SIFT または類似手法）を適用して、現在のカメラ画像と取得したデータベース画像の間の対応点を特定する。
• 一致した特徴点からホモトピー行列を推定し、データベース画像を現在のシーンに一致させる。
• Coherent Point Drift (CPD) または類似アルゴリズムを用いたピクセルベースの画像一致により、ホモトピーを精緻化し、投影誤差を低減する。
• 一致した特徴に基づいて共通のピクセル領域を抽出し、最終的なSSD（二乗差分和）指標を計算して一致品質を検証する。
• 一致させたデータベース画像でレーンマーカーを検出し、精緻化されたホモトピーを用いて現在のカメラ画像に投影してリアルタイムのレーン可視化を実現する。

実験結果

リサーチクエスチョン

• RQ1 降雪や照明条件の悪化によってレーンマーカーなどの視覚的ヒントが完全に見えない状況下でも、レーン検出を信頼性を持って行うことができるか？
• RQ2 実時間走行シナリオにおいて、歴史的な道路ビュー画像をどれだけ効果的に活用してレーン情報を回復できるか？
• RQ3 ホモトピー推定における特徴ベースとピクセルベースの一致を組み合わせた場合の、レーンマーカー回復における性能向上はどの程度か？
• RQ4 現在の画像と過去の画像との間の幾何的歪みや視点の違いを、システムはどのように処理するか？
• RQ5 GPS支援の視覚ベースシステムは、消費者用車両向けのリアルタイムのレーン逸脱警告に十分な精度を達成できるか？

主な発見

• 雪で覆われた状況や低照度下でも、レーンマーカーが完全に見えなくても、システムは正常に検出と投影を実行した。
• ピクセルベースの精緻化後、現在の画像と投影されたデータベース画像間のSSD誤差は、42,603.4から31,576.6に低下し、一致精度の向上が示された。
• ピクセルベースの精緻化後の最終ホモトピー行列（行列3）は、初期の特徴ベースの行列（行列2）と比較して顕著な改善を示し、投影誤差が低減され、建物の縁などの構造的特徴の一致が向上した。
• レーン検出と投影のエンドツーエンド処理時間の平均は、標準PC上で約8秒であり、リアルタイム導入に実用的であることが示された。
• 複数のテストケースにおいて、異なる照明条件や天候条件下でも、現在の画像とデータベース画像間の大きな視点差やシーンの変化を効果的に処理できた。
• GPSベースの画像取得とマルチステージの画像一致を組み合わせることで、視認性が著しく劣化した状況下でもレーン追跡が強固に実現可能であり、センサが多数搭載されたシステムに対する実用的で低コストな代替手段であることが示された。