[論文レビュー] Vehicles Lane-changing Behavior Detection

Iljoo Baek, Mengwen He|arXiv (Cornell University)|Aug 22, 2018

Advanced Vision and Imaging参考文献 1被引用数 4

ひとこと要約

本稿では、都市部におけるGPS局所化精度の向上を目的として、単眼カメラを用いた車線変更行動検出システムを提案する。SVMとHoG特徴量を用い、'Unknown'と誤分類されたものを正しく分類したものとみなした場合、80%の精度を達成しており、Canny特徴量を用いたSVMを上回り、複雑性が低いにもかかわらずCNNの性能と同等である。本手法は、自律走行車両における車線レベルの局所化に低コストなソリューションを提供する。

ABSTRACT

The lane-level localization accuracy is very important for autonomous vehicles. The Global Navigation Satellite System (GNSS), e.g. GPS, is a generic localization method for vehicles, but is vulnerable to the multi-path interference in the urban environment. Integrating the vision-based relative localization result and a digital map with the GNSS is a common and cheap way to increase the global localization accuracy and thus to realize the lane-level localization. This project is to develop a mono-camera based lane-changing behavior detection module for the correction of lateral GPS localization. We implemented a Support Vector Machine (SVM) based framework to directly classify the driving behavior, including the lane keeping, left and right lane changing, from a sampled data of the raw image captured by the mono-camera installed behind the window shield. The training data was collected from the driving around Carnegie Mellon University, and we compared the trained SVM models w/ and w/o the Principle Component Analysis (PCA) dimension reduction technique. The performance of the SVM based classification method was compared with the CNN method.

研究の動機と目的

• 都市部環境における自律走行車両のGPS局所化精度を向上させるための低コストでカメラベースのソリューションを開発すること。
• LiDARやCANBUSデータを一切使用せずに、単眼ビジョンのみを用いて車線変更行動（維持、左、右）を検出し分類すること。
• GNSSとデジタルマップからの車線情報とビジョンからの情報を統合することで、横方向の局所化精度を向上させること。
• PCAとHoG特徴量を用いたSVMと、Canny特徴量およびCNNの分類性能を比較すること。
• 将来のビジュアルオドメトリ、IMU、CANBUSデータとの統合を支援できる、制御可能で解釈可能な車線変更検出フレームワークを構築すること。

提案手法

• 車両からの距離が1m、10m、20m、30mに異なる複数の距離で、前方を向いた単眼カメラの画像から領域 of interest (ROI) を抽出する。
• エッジ検出（Canny）および方向勾配のヒストグラム（HoG）を用いて、ROIからの視覚的特徴量を抽出する。
• 元のエネルギーの98%以上を保持しつつ、特徴量次元を低減するために主成分分析（PCA）を適用する。
• CannyおよびHoG特徴量を用いたSVM分類器を、PCAを適用した場合としない場合で訓練する。
• 同じROI入力と3クラス出力（維持、変更、Unknown）を想定し、10層のCNNを用いて比較実験を実施する（ReLU活性化関数とSoftmaxLossを使用）。
• 正解ラベルと混同行列を用いて性能を評価し、'Unknown'を'Keep'の正例とみなして再計算した有効精度を算出する。

実験結果

リサーチクエスチョン

• RQ1 単眼カメラにSVMとHoG特徴量を組み合わせることで、GNSS局所化誤差を是正できる十分な精度で車線変更行動を検出できるか？
• RQ2 PCAを用いた次元削減は、SVMベースの車線変更分類性能にどのように影響を与えるか？
• RQ3 HoG特徴量を用いたSVMの性能は、Canny特徴量を用いたSVMおよびCNNベースの分類と比較して、どのように異なるか？
• RQ4 誤分類された'Unknown'セグメントを、'Keep'行動として正しく分類したものと再解釈することで、有効精度をどの程度向上できるか？
• RQ5 IMU、ビジュアルオドメトリ、CANBUSなどの複数の視覚的特徴量とセンサーを統合したハイブリッドシステムは、さらなる検出の頑健性向上に寄与できるか？

主な発見

• HoG特徴量を用いたSVM分類器は、'Unknown'の誤分類を'Keep'の正例とみなした場合、80%の精度を達成しており、Canny特徴量を用いたSVMを上回った。
• HoG特徴量を用いたSVMは、'Keep'と'Unknown'の間での誤分類率が低く、Canny特徴量を用いたSVMよりも高い安定性を示した。
• CNNベースの分類器は79.70%のテスト精度を達成したが、HoG-SVMの有効精度80%をわずかに下回ったが、トレーニング精度は99.93%に達した。
• HoG-SVMおよびCNNの両方とも、自車両側を走行する車両がオーバtakeした場合に車線変更を検出できなかった。これは、トレーニングデータにデータ分布のギャップが存在することを示している。
• 混同行列の結果、HoG-SVMはCNNに比べて'Left'および'Right'の変更に対してより少ない偽陽性を示しており、方向変更の一般化性能に優れていることが示された。
• HoGとPCAを組み合わせたSVMフレームワークは、ブラックボックスなCNNに比べてより解釈可能で制御可能であり、将来のビジュアルオドメトリ、IMU、CANBUSデータとの統合を支援する可能性を秘めている。