[論文レビュー] ScaTE: A Scalable Framework for Self-Supervised Traversability Estimation in Unstructured Environments

Junwon Seo, Taekyung Kim+3 more|arXiv (Cornell University)|Sep 14, 2022

Autonomous Vehicle Technology and Safety被引用数 5

ひとこと要約

本論文では、自己教師あり学習を用いて、プロ prioceptive 経験予測と、不確実性の高い非走行可能領域を同定するための新規 PU 学習手法を組み合わせたスケーラブルな自己教師ありフレームワーク、ScaTE を提案する。この手法により、人為的アノテーションなしで、非構造的環境における正確でスケーラブルなナビゲーションが可能となり、実データおよびシミュレーテッド非舗装路データにおいて、異常検出および軌道計画の両面でベースライン手法を上回る性能を発揮する。

ABSTRACT

For the safe and successful navigation of autonomous vehicles in unstructured environments, the traversability of terrain should vary based on the driving capabilities of the vehicles. Actual driving experience can be utilized in a self-supervised fashion to learn vehicle-specific traversability. However, existing methods for learning self-supervised traversability are not highly scalable for learning the traversability of various vehicles. In this work, we introduce a scalable framework for learning self-supervised traversability, which can learn the traversability directly from vehicle-terrain interaction without any human supervision. We train a neural network that predicts the proprioceptive experience that a vehicle would undergo from 3D point clouds. Using a novel PU learning method, the network simultaneously identifies non-traversable regions where estimations can be overconfident. With driving data of various vehicles gathered from simulation and the real world, we show that our framework is capable of learning the self-supervised traversability of various vehicles. By integrating our framework with a model predictive controller, we demonstrate that estimated traversability results in effective navigation that enables distinct maneuvers based on the driving characteristics of the vehicles. In addition, experimental results validate the ability of our method to identify and avoid non-traversable regions.

研究の動機と目的

• 各車両やセンサータイプごとに人為的アノテーションを要する既存の自己教師あり走行可能領域推定手法におけるスケーラビリティの欠如に対処すること。
• 人為的教師なしで、ドライブ経験から直接車両固有の走行可能領域を学習し、さまざまな車両およびナビゲーションポリシーへの適応を可能にすること。
• 非走行可能領域が過信されて走行可能と予測される自己教師あり学習における不確実性問題を解消すること。
• 3次元点群からプロ prioceptive 経験を予測するフレームワークを開発し、正確な地形-車両相互作用モデリングを可能にすること。
• 学習済み走行可能領域推定を統合したモデル予測制御（MPC）を用いて、有効なナビゲーションを実現すること。

提案手法

• フレームワークは、地形の3次元点群からプロ prioceptive 経験（例：運動ダイナミクス）を予測するニューラルネットワークを訓練し、直接的に車両-地形相互作用をモデル化する。
• 人為的負例データを必要とせず、走行済み（正例）領域と未走行（非ラベル）領域のみを活用する、新規の陽性-不確実（PU）学習手法を採用する。
• PU 学習アプローチにより、高不確実性領域を明示的に非走行可能と特定し、予測における過信を低減する。
• 特徴空間の崩壊を防ぐために、修正済みのセンター基準損失を用いたコントラスト学習目的関数を採用し、異常検出性能を向上させる。
• 訓練済みモデルをモデル予測制御（MPC）と統合し、走行可能領域推定に基づいて安全で車両に適した軌道を生成する。
• フレームワークは、山岳トレイルや RELLIS-3D を含む、シミュレーションおよび実環境の非舗装路から得た多様な走行データを用いて訓練される。

実験結果

リサーチクエスチョン

• RQ1 人為的アノテーションデータを一切必要とせず、自己教師ありフレームワークが異なる車両やセンサータイプにスケーラブルに適応可能な車両固有の走行可能領域を学習できるか？
• RQ2 PU 学習に基づくアプローチが、高不確実性領域を効果的に特定し、予測における過信を低減できるか？
• RQ3 プロ prioceptive 経験予測から得られる走行可能領域推定が、非構造的環境におけるナビゲーション性能を向上させられるか？
• RQ4 1クラス分類や異常検出ベースラインと比較して、本手法は非走行可能地形をどれほど効果的に検出できるか？
• RQ5 再トレーニングや人為的干渉なしに、本フレームワークは多様な車両タイプおよび地形タイプにどの程度一般化できるか？

主な発見

• RELLIS-3D データセットでは、本手法が AUROC 0.9706、TPR 0.7852 を達成し、SVDD（AUROC: 0.7482、TPR: 0.5000）および Soft SVDD（AUROC: 0.8396、TPR: 0.5000）といったベースライン手法を顕著に上回った。
• 山岳トレイルデータでは、本手法が AUROC 0.9706、TPR 0.7852 を達成し、多様な地形タイプにわたる強力な一般化性能を示した。
• 定性的な結果から、本手法の走行可能領域推定を用いて生成された軌道は、岩、砂利、急斜面などの危険領域を効果的に回避していたのに対し、ベースライン手法はこれらの領域に進入していた。
• PU 学習手法により、非走行領域における過信が効果的に低減され、高不確実性領域が明示的に非走行可能と特定された。
• 本フレームワークは、人為的アノテーションなしに、自己教師あり走行データのみを用いて複数の車両タイプの走行可能領域を学習できることから、スケーラビリティを示した。
• モデル予測制御との統合により、有効で車両に適したナビゲーションが実現され、学習済み走行可能領域マップの実用的有用性が確認された。