[논문 리뷰] A Self-Supervised Terrain Roughness Estimator for Off-Road Autonomous Driving

David Stavens, Sebastian Thrun|arXiv (Cornell University)|2012. 06. 27.

Advanced Measurement and Metrology Techniques참고 문헌 13인용 수 39

한 줄 요약

이 논문은 레이저 스캔 데이터와 가속도계 측정치를 사용하여 주행 가능한 표면의 둘째 도함수로 정의되는 지형 거칠기(roughness)를 추정하기 위한 자기지도 학습 기반 기계 학습 방법을 제안한다. 센서 노이즈와 자세 오차를 다변수 다항식으로 모델링하고 충격 데이터로 훈련함으로써, 이 시스템은 향후 거친 지형을 사전에 식별하여 자율 주행 차량이 사전에 속도를 줄이고 차량의 충격을 최소화할 수 있도록 한다.

ABSTRACT

We present a machine learning approach for estimating the second derivative of a drivable surface, its roughness. Robot perception generally focuses on the first derivative, obstacle detection. However, the second derivative is also important due to its direct relation (with speed) to the shock the vehicle experiences. Knowing the second derivative allows a vehicle to slow down in advance of rough terrain. Estimating the second derivative is challenging due to uncertainty. For example, at range, laser readings may be so sparse that significant information about the surface is missing. Also, a high degree of precision is required in projecting laser readings. This precision may be unavailable due to latency or error in the pose estimation. We model these sources of error as a multivariate polynomial. Its coefficients are learned using the shock data as ground truth -- the accelerometers are used to train the lasers. The resulting classifier operates on individual laser readings from a road surface described by a 3D point cloud. The classifier identifies sections of road where the second derivative is likely to be large. Thus, the vehicle can slow down in advance, reducing the shock it experiences. The algorithm is an evolution of one we used in the 2005 DARPA Grand Challenge. We analyze it using data from that route.

연구 동기 및 목표

• 차량의 충격과 승차감에 직접적인 영향을 미치는 바에도 불구하고, 로봇 인식 분야에서 지형 거칠기(둘째 도함수)에 대한 집중이 부족한 문제를 해결한다.
• 희박한 레이저 데이터와 자세 추정 오차로 인한 표면 거칠기 추정 과제를 극복한다.
• 가속도계 데이터를 지도 데이터로 사용하여 레이저 기반의 거칠기 추정을 훈련하는 강건한 자기지도 학습 프레임워크를 개발한다.
• 자율 주행 차량이 거친 지형을 사전에 인지하고 속도를 능동적으로 조절하여 기계적 스트레스를 줄일 수 있도록 한다.

제안 방법

• 센서 노이즈와 자세 추정 오차를 다변수 다항식으로 모델링하여 노이즈와 지연을 고려한다.
• 물리적 충격과 표면 거칠기 간의 관계를 연결하기 위해 가속도계 데이터를 지도 데이터로 사용하여 다항식 계수를 훈련한다.
• 3차원 포인트 클라우드에서 개별 레이저 읽기 데이터를 처리하여 둘째 도함수의 값이 높은 영역(즉, 거친 지형)을 분류한다.
• 2005년 DARPA 그랜드 챌린지 노선의 데이터를 사용하여 시스템을 종단 간(end-to-end)으로 훈련하고 성능을 검증한다.
• 훈련된 분류기를 실시간으로 적용하여 차량 주행 이전에 거친 지형 구역을 탐지한다.
• 수동 레이블링 대신 센서에서 유도된 충격 데이터를 사용함으로써 자기지도 학습을 구현하여 레이블링 비용을 절감한다.

실험 결과

연구 질문

• RQ1 레이저 스캔과 가속도계 데이터만을 사용하여 자기지도 학습 기반으로 지형 거칠기를 효과적으로 추정할 수 있는가?
• RQ2 센서 노이즈와 자세 추정 오차를 어떻게 모델링하여 거칠기 추정 정확도를 향상시킬 수 있는가?
• RQ3 장애물 탐지에만 의존하는 것과 비교해 볼 때, 거칠기 추정이 차량의 충격을 얼마나 줄일 수 있는가?
• RQ4 이전 자율 주행 경기에서 확보한 데이터를 활용하여 이 방법이 실제 오프로드 조건에 일반화 가능한가?
• RQ5 가속도계 데이터를 거칠기의 대체 지표로 사용할 경우, 지형 분류의 강건성은 어떻게 향상되는가?

주요 결과

• 이 방법은 다변수 다항식을 사용하여 센서 노이즈와 자세 오차를 효과적으로 모델링하여 희박하고 노이즈가 많은 레이저 데이터에 대한 강건성을 향상시켰다.
• 시스템은 높은 정확도로 거친 지형 영역을 식별하여 차량의 충격을 최소화하기 위해 사전에 속도를 줄이는 데 성공했다.
• 실제 2005년 DARPA 그랜드 챌린지의 데이터를 활용하여 실용성과 타당성을 검증하였다.
• 가속도계 데이터를 사용한 자기지도 학습은 수동 레이블링이 필요 없게 하여 레이블링 부담을 크게 감소시켰다.
• 장애물 탐지에 기반한 첫째 도함수 기반 방법보다도 성능이 뛰어나, 승차감과 기계적 스트레스에 직접적인 영향을 미치는 지형 특성을 더 잘 포착하였다.
• 분류기는 개별 레이저 읽기 데이터에서 효율적으로 작동하여 자율 주행 중 실시간 지형 평가가 가능했다.