[論文レビュー] Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection

Di Feng, Lars Rosenbaum+1 more|arXiv (Cornell University)|Apr 13, 2018

Autonomous Vehicle Technology and Safety被引用数 27

ひとこと要約

本論文は、LiDAR点群における確率的3次元車両検出ネットワークを提案し、モデルの不確実性（エピステミック）と観測の不確実性（アレアトリック）の両方を明示的にモデル化する。エピステミック不確実性にはモンテカルロドロップアウトを、アレアトリック不確実性には補助出力層を用いることで、検出性能が1–5%向上し、エピステミック不確実性が検出精度と相関しているのを示した。一方、アレアトリック不確実性は距離と遮蔽が増すと上昇する。

ABSTRACT

To assure that an autonomous car is driving safely on public roads, its object detection module should not only work correctly, but show its prediction confidence as well. Previous object detectors driven by deep learning do not explicitly model uncertainties in the neural network. We tackle with this problem by presenting practical methods to capture uncertainties in a 3D vehicle detector for Lidar point clouds. The proposed probabilistic detector represents reliable epistemic uncertainty and aleatoric uncertainty in classification and localization tasks. Experimental results show that the epistemic uncertainty is related to the detection accuracy, whereas the aleatoric uncertainty is influenced by vehicle distance and occlusion. The results also show that we can improve the detection performance by 1%-5% by modeling the aleatoric uncertainty.

研究の動機と目的

• 自律走行のための深層学習ベース3次元オブジェクト検出器における不確実性推定の欠如に対処すること。
• オブジェクト検出におけるモデルの信頼性とセンサーノイズを定量化することで、安全な自律走行を実現すること。
• LiDARベースの検出において、エピステミック不確実性（モデルの限界）とアレアトリック不確実性（センサーノイズ）を区別すること。
• アレアトリック不確実性をモデル化することで検出のロバスト性を向上させ、ノイズの多い条件下での性能向上を図ること。
• 不確実性定量化による不確実な予測の特定を通じて、アクティブラーニングやトラッキングを支援すること。

提案手法

• 分類および3次元バウンディングボックス回帰の予測分布を出力できる3次元車両検出器に適応する。
• 複数回の順方向伝搬によるエピステミック不確実性推定のため、テスト時にモンテカルロドロップアウトを用いる。
• バウンディングボックス回帰の分散を予測する補助出力ヘッドを導入し、アレアトリック不確実性をモデル化する。
• 分類の不確実性を測定するためにシャノンエントロピーと相互情報量を、局在化の不確実性を測定するために総分散を用いる。
• 検出精度と不確実性推定の両方を同時に最適化する損失関数でネットワークを訓練する。
• 距離と遮蔽に関する定量的分析とピアソン相関を用いて不確実性推定の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの3次元LiDAR車両検出器において、エピステミック不確実性とアレアトリック不確実性を効果的に捉える方法は何か？
• RQ2 エピステミック不確実性と検出精度の関係は何か。特に、分布外または異常なオブジェクト（例：ゴーストオブジェクト、大型車両、誤分類された車両）に対してどうなるか？
• RQ3 検出距離と遮蔽は、3次元バウンディングボックス予測におけるアレアトリック不確実性にどのように影響するか？
• RQ4 アレアトリック不確実性をモデル化することで、検出性能に測定可能な向上が得られるか？
• RQ5 不確実性推定は、自律走行システムにおけるアクティブラーニングやオブジェクトトラッキングをどのように改善できるか？

主な発見

• エピステミック不確実性は検出精度と相関しており、ゴーストオブジェクト、大型車両、誤分類された車両などの異常または分布外のオブジェクトに対して上昇する。
• アレアトリック不確実性は車両の距離と遮蔽が増すと上昇し、前面のコーナーと比較して遮蔽されたコーナーでは一貫して高い空間的不確実性を示す。
• 距離とアレアトリック不確実性のピアソン相関係数は、x軸で0.569、y軸で0.412、z軸で0.497であり、強い正の相関関係があることが示された。
• アレアトリック不確実性のモデル化により、検出性能が1%から5%向上し、センサーノイズに対するロバスト性が向上した。
• エピステミック不確実性の推定には複数回の順方向伝搬が必要であり、Titan X GPUで0.3 fpsと計算コストが高く、リアルタイムオンライン用途には不向きである。
• アレアトリック不確実性は1回の推論で計算可能であるため、自律走行システムにおけるオンライン展開に適している。