[論文レビュー] Vision-based Vehicle Speed Estimation for ITS: A Survey.

David Fernández Llorca, Antonio Hernández Martínez+1 more|arXiv (Cornell University)|Jan 15, 2021

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

本サーベイは、インテリジェント交通システム（ITS）におけるビジュアルベースの車両速度推定手法について、包括的な分類体系を提示する。検出、トラッキング、速度推定の各段階を分析し、性能指標、データセット、コスト効率的でセンサーフリーな速度監視における主な課題と今後の研究方向性を特定する。

ABSTRACT

The need to accurately estimate the speed of road vehicles is becoming increasingly important for at least two main reasons. First, the number of speed cameras installed worldwide has been growing in recent years, as the introduction and enforcement of appropriate speed limits is considered one of the most effective means to increase the road safety. Second, traffic monitoring and forecasting in road networks plays a fundamental role to enhance traffic, emissions and energy consumption in smart cities, being the speed of the vehicles one of the most relevant parameters of the traffic state. Among the technologies available for the accurate detection of vehicle speed, the use of vision-based systems brings great challenges to be solved, but also great potential advantages, such as the drastic reduction of costs due to the absence of expensive range sensors, and the possibility of identifying vehicles accurately. This paper provides a review of vision-based vehicle speed estimation. We describe the terminology, the application domains, and propose a complete taxonomy of a large selection of works that categorizes all stages involved. An overview of performance evaluation metrics and available datasets is provided. Finally, we discuss current limitations and future directions.

研究の動機と目的

• インテリジェント交通システム（ITS）における正確で低コストの車両速度推定の増大するニーズに対応すること。
• レーダーやライダーのような高価な距離センサーに代わる、コスト効率の良い代替手段としてのビジュアルベース手法の分析。
• 検出から推定に至るまでの全段階をカバーする、速度推定手法の包括的分類体系の提供。
• ビジュアルベースの速度推定システムのベンチマークに用いられる性能指標と利用可能なデータセットの評価。
• 現在の制限要因の特定と、分野における今後の研究方向性の提案。

提案手法

• 本論文は、ビジュアルベースの車両速度推定技術について体系的なレビューを実施し、応用分野と技術的アプローチに基づいて手法を分類する。
• 検出、トラッキング、速度推定の主な段階にわたり、手法を体系的に整理する詳細な分類体系を提案する。
• 標準的な指標、例えば平均絶対誤差（MAE）と平均二乗誤差（RMSE）を用いて性能を評価し、これらは速度推定ベンチマークで一般的に用いられる。
• 分野で使用されている公開データセットをレビューし、ビジュアルベースシステムの学習およびテストに向けた関連性と制限要因を評価する。
• 伝統的なコンピュータビジョン手法と、最近のディープラーニングベースのアプローチの両方を分析する。
• 複数の研究から得られた知見を統合し、研究分野におけるトレンド、課題、ギャップを特定する。

実験結果

リサーチクエスチョン

• RQ1 ビジュアルベースの車両速度推定システムに含まれる主な技術的構成要素と段階は何か？
• RQ2 異なるビジュアルベース手法は、正確性、耐障害性、計算効率の観点でどのように比較できるか？
• RQ3 速度推定システムの評価に一般的に用いられる性能指標とデータセットは何か？
• RQ4 現実の交通状況において、現在のビジュアルベース手法にどのような主な制限があるか？
• RQ5 ビジュアルベースの車両速度推定を進歩させるために、最も有望な今後の研究方向性は何か？

主な発見

• ビジュアルベースのシステムは、高価な距離測定ハードウェアを不要にするコスト効率の良い代替手段を提供する。
• コンピュータビジョンの活用により、正確な車両同定とトラッキングが可能となり、信頼性の高い速度推定が可能になる。
• 性能評価は通常、MAE や RMSE といった指標に基づき、最先端の手法では制御環境下で5 km/h未満の誤差を達成している。
• 学習およびベンチマークに用いられる利用可能なデータセットは、多様性と現実世界の変動性に欠けており、一般化性能の向上に課題をもたらしている。
• 進展は見られるが、隠蔽、照明の変化、悪天候状況への対処の面で依然として課題が残っている。
• 今後の研究は、耐障害性、スケーラビリティ、およびスマートシティ交通管理システムへの統合の向上に注力すべきである。