[論文レビュー] Uncertainty-Aware Voxel based 3D Object Detection and Tracking with von-Mises Loss

Yuanxin Zhong, Minghan Zhu+1 more|arXiv (Cornell University)|Nov 4, 2020

Robotics and Sensor-Based Localization参考文献 25被引用数 6

ひとこと要約

本論文は、位置、寸法、ヨー角の不確実性を推定するため、ガウス分布およびボン・マイエス分布の負対数尤度（NLL）損失を組み込んだボクセルベースの検出器（SECOND）を拡張した、不確実性を考慮した3次元物体検出および追跡フレームワークを提案する。学習された不確実性をカルマンフィルタベースのトラッカーに統合することで、定常共分散ベースラインに比べて追跡性能が向上し、適応的不確実性推定が自律的認識システムにおけるロバスト性と正確性を向上させることを示している。

ABSTRACT

Object detection and tracking is a key task in autonomy. Specifically, 3D object detection and tracking have been an emerging hot topic recently. Although various methods have been proposed for object detection, uncertainty in the 3D detection and tracking tasks has been less explored. Uncertainty helps us tackle the error in the perception system and improve robustness. In this paper, we propose a method for improving target tracking performance by adding uncertainty regression to the SECOND detector, which is one of the most representative algorithms of 3D object detection. Our method estimates positional and dimensional uncertainties with Gaussian Negative Log-Likelihood (NLL) Loss for estimation and introduces von-Mises NLL Loss for angular uncertainty estimation. We fed the uncertainty output into a classical object tracking framework and proved that our method increased the tracking performance compared against the vanilla tracker with constant covariance assumption.

研究の動機と目的

• 認識システムにおけるアルエアトリック不確実性をモデル化することで、3次元物体検出および追跡のロバスト性を向上させること。
• 特にヨー角のような周期的パラメータに対して、3次元検出における不確実性推定の欠如を解消すること。
• 検出器から得られる学習された不確実性を用いて、定常観測ノイズを置き換えることで、物体追跡性能を向上させること。
• 不確実性に基づくスコアリングおよびNMSの最適化を検討し、検出品質の向上を図ること。
• 既存の3次元検出器に最小限のアーキテクチャ変更で組み込めるプラグインソリューションを提供すること。

提案手法

• ボックス回帰と不確実性推定（分散および角度不確実性）のための別々の分岐を持つマルチヘッド検出ヘッドを導入。
• 3次元バウンディングボックスの位置および寸法の不確実性推定に、ガウス分布のNLL損失を用いる。
• ヨー角のような周期的変数に適した、新規のボン・マイエスNLL損失を提案し、角度不確実性の回帰を実現。
• 推定された不確実性を古典的なカルマンフィルタベースの追跡フレームワークに統合し、状態推定の精度を向上。
• 不確実性を考慮したスコアリングおよびNMS戦略を適用し、信頼性の高い検出を優遇することで検出品質を向上。
• 分類（Focal Loss）、ボックス回帰（Smooth L1）、不確実性回帰（ガウスおよびボン・マイエスNLL）を組み合わせた二重損失学習スキームを採用し、学習可能な重み係数を用いる。

実験結果

リサーチクエスチョン

• RQ1 学習された不確実性推定は、ボクセルベースネットワークにおける3次元物体検出性能を向上させ得るか？
• RQ2 周期的であるため、角度不確実性はどのように効果的に3次元物体検出にモデル化できるか？
• RQ3 推定された不確実性をカルマンフィルタトラッカーに統合することで、追跡精度に顕著な向上が得られるか？
• RQ4 不確実性に基づくスコアリングは、特に難易度の高いサンプルにおいて、非最大抑制（NMS）の性能を向上させ得るか？
• RQ5 不確実性損失の重み付けおよび不確実性マッピング関数の最適なハイパーパrameterは何か？

主な発見

• 提案手法は、KITTI検出ベンチマークにおいて、ベースラインのSECOND検出器と比較して、すべての物体カテゴリで高い平均検出精度（AP）を達成した。
• ボン・マイエスNLL損失により、周期的パラメータのための有効な角度不確実性回帰が可能となり、従来手法を上回った。
• 不確実性対応カルマンフィルタリングを適用することで、追跡性能が顕著に向上し、IDスイッチ（IDSW）と断片化（FRAG）が減少し、Max F1およびAPが向上した。
• アブレーションスタディの結果、元のボックス回帰と分散回帰を組み合わせることで、不確実性回帰のみを用いる場合よりも優れた検出性能が得られた。
• 指数関数的マッピングを用いた不確実性ベースのNMSは、難易度の高いサンプルにおけるBEV APを向上させ、検出の最適化に有効であることを示した。
• 不確実性損失の重みや正則化係数が変化しても、本手法はロバストであるが、最適なチューニングには経験的探索が必要である。