[論文レビュー] Self Supervised Occupancy Grid Learning from Sparse Radar for Autonomous Driving

Liat Sless, Guy Cohen+2 more|arXiv (Cornell University)|Mar 31, 2019

Autonomous Vehicle Technology and Safety参考文献 21被引用数 5

ひとこと要約

本論文は、自己教師あり深層学習アプローチを提案し、データ駆動型逆センサモデルを用いて、ラジアル生成された真値を用いて、スパースラジアデータから正確な占有グリッドを生成する。この手法は、NuScenesデータセットにおいて、古典的手法よりも顕著に優れた性能を示し、自動運転におけるラジアベースのシーン理解分野で最先端の性能を達成した。

ABSTRACT

Occupancy grid mapping is an important component in road scene understanding for autonomous driving. It encapsulates information of the drivable area, road obstacles and enables safe autonomous driving. Radars are an emerging sensor in autonomous vehicle vision, becoming more widely used due to their long range sensing, low cost, and robustness to severe weather conditions. Despite recent advances in deep learning technology, occupancy grid mapping from radar data is still mostly done using classical filtering this http URL this work, we propose learning the inverse sensor model used for occupancy grid mapping from clustered radar data. This is done in a data driven approach that leverages computer vision techniques. This task is very challenging due to data sparsity and noise characteristics of the radar sensor. The problem is formulated as a semantic segmentation task and we show how it can be learned using lidar data for generating ground truth. We show both qualitatively and quantitatively that our learned occupancy net outperforms classic methods by a large margin using the recently released NuScenes real-world driving data.

研究の動機と目的

• 自動運転のセンシングにおけるスパースでノイジーなラジアデータの課題に対処する。
• 古典的手法を上回る占有グリッドマッピングの精度を向上させる。
• クラスタリングされたラジアポイントを用いて、深層学習とコンピュータビジョン手法を活用し、逆センサモデルを学習する。
• ライダ入力とライダ由来の真値のみを用いて、堅牢でデータ駆動型の占有予測を可能にする。
• 自己教師あり学習フレームワークを用いて、実世界の走行データで優れた性能を示す。

提案手法

• スパースラジアポイントクラウドから走行可能領域および障害物領域を予測するセマンティックセグメンテーションタスクとして、占有グリッド学習を定式化する。
• 検出された物体および環境内の反射を表す、クラスタリングされたラジアデータを入力として使用する。
• ラジア観測から占有グリッドへのマッピングを学習する逆センサモデルを学習するためのニューラルネットワークを訓練する。
• ライダポイントクラウドを用いて、訓練中の監視のための高品質で高密度の真値を生成する。
• 完全にアノテートされたデータに依存しないようにするため、自己教師あり学習技術を適用し、一般化性能を向上させる。
• 予測された占有状態とライダベースの基準マップを一致させるための微分可能損失関数を最適化する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、スパースラジアデータから逆センサモデルを効果的に学習できるか？
• RQ2 ライダ監視信号からの自己教師あり学習は、古典的手法と比較して、占有予測をどのように改善するか？
• RQ3 提案手法は、ノイジーでスパースなラジア入力を持つ実世界の走行シナリオにどの程度一般化できるか？
• RQ4 学習された占有ネットワークは、従来のラジアベースの占有マッピング技術に比べてどの程度の性能向上を達成するか？
• RQ5 実世界の条件下におけるラジアデータのスパarsityおよびセンサノイズの変動に対して、この手法はどの程度頑健か？

主な発見

• 提案された占有ネットは、NuScenesデータセットにおいて、古典的手法よりも顕著に高い精度を達成した。
• スパースでノイジーなラジア入力を持つ実世界の走行シーンへの一般化性能が強く示された。
• ライダ由来の真値を用いた自己教師あり学習により、膨大な手動アノテーションが不要な高品質な占有予測が可能になった。
• 定性的な結果から、空間的一致性が向上し、誤検出の数が減少した。
• 定量的評価により、ベースライン手法と比較して、IoUおよびF1スコアの両面で優れた性能が確認された。
• 低信号密度状態でも、走行可能領域および動的障害物を効果的に捉えることができた。