[논문 리뷰] Domain Adaptation Using Adversarial Learning for Autonomous Navigation

Jaeyoon Yoo, Yongjun Hong외 2명|arXiv (Cornell University)|2017. 12. 11.

Domain Adaptation and Few-Shot Learning참고 문헌 40인용 수 7

한 줄 요약

이 논문은 단일 카메라를 사용한 자율 주행을 가능하게 하기 위해 적대적 학습을 활용한 도메인 적응 프레임워크를 제안한다. 시뮬레이션 데이터로 훈련하고 실외 환경으로 전이하면서 실제 레이블 없이도 작동한다. 확장된 잔차 네트워크, 사이클 손실, 스타일 손실 및 패치 판별기의 통합을 통해 구조적 콘텐츠를 유지하면서 텍스처를 적응시키는 사진과 유사한 이미지를 생성하며, 인간 간섭 없이 다양한 실외 교차로에서 성공적인 주행을 달성한다.

ABSTRACT

Autonomous navigation has become an increasingly popular machine learning application. Recent advances in deep learning have also resulted in great improvements to autonomous navigation. However, prior outdoor autonomous navigation depends on various expensive sensors or large amounts of real labeled data which is difficult to acquire and sometimes erroneous. The objective of this study is to train an autonomous navigation model that uses a simulator (instead of real labeled data) and an inexpensive monocular camera. In order to exploit the simulator satisfactorily, our proposed method is based on domain adaptation with adversarial learning. Specifically, we propose our model with 1) a dilated residual block in the generator, 2) cycle loss, and 3) style loss to improve the adversarial learning performance for satisfactory domain adaptation. In addition, we perform a theoretical analysis that supports the justification of our proposed method. We present empirical results of navigation in outdoor courses with various intersections using a commercial radio controlled car. We observe that our proposed method allows us to learn a favorable navigation model by generating images with realistic textures. To the best of our knowledge, this is the first work to apply domain adaptation with adversarial learning to autonomous navigation in real outdoor environments. Our proposed method can also be applied to precise image generation or other robotic tasks.

연구 동기 및 목표

• 자율 주행을 위한 실세계 레이블 데이터 확보의 높은 비용과 어려움을 해결하기 위해.
• 오직 시뮬레이터에서 훈련된 주행 모델을 실외 환경에 배포할 수 있도록 하기 위해.
• GPS나 깊이 카메라와 같은 고비용 센서에 의존하는 것을 줄이고 오직 단일 카메라만을 사용하기 위해.
• 실제 이미지 생성을 통한 적대적 학습을 통해 도메인 적응 성능을 향상시키기 위해.
• 복잡한 교차로를 포함한 실세계 실외 주행 환경에서 방법의 유효성을 검증하기 위해.

제안 방법

• 특징 추출과 수신 영역을 향상시키기 위해 생성적 적대적 네트워크(GAN)의 생성기에서 확장 잔차 블록(DRN)을 사용한다.
• 시뮬레이션 도메인에서 실세계 도메인으로의 도메인 변환 과정에서 이미지의 구조와 콘텐츠를 유지하기 위해 사이클 일致성 손실을 활용한다.
• 사전 훈련된 VGG 네트워크의 특징을 사용해 실제적인 텍스처(예: 잔디, 나무)를 전달하면서도 도로와 건물의 의미 정보를 유지하기 위해 스타일 손실을 도입한다.
• 로컬 이미지의 현실성과 이미지 영역 간의 일반화를 향상시키기 위해 패치 기반 판별기를 활용한다.
• 학습 안정성 향상과 도메인 정렬 향상을 위해 적대적 훈련 중 소프트 레이블을 적용한다.
• 약한 분포 가정 하에 이론적 분석을 수행하여 도메인 적응 프레임워크의 효과성을 정당화한다.

실험 결과

연구 질문

• RQ1 실세계 레이블 없이도 시뮬레이션 데이터로 훈련된 주행 정책을 실외 환경으로 효과적으로 전이할 수 있는가?
• RQ2 사이클 손실과 스타일 손실이 도메인 적응에서 생성된 이미지의 현실성과 일반화 능력 향상에 각각 어떤 기여를 하는가?
• RQ3 확장 잔차 네트워크를 통합함으로써 이미지 번역 성능이 얼마나 향상되는가?
• RQ4 제안된 방법은 복잡한 교차로를 가진 예측 불가능한 실세계 환경으로 일반화될 수 있는가?
• RQ5 패치 판별기와 소프트 레이블 사용이 도메인 적응의 안정성과 품질에 어떤 영향을 미치는가?

주요 결과

• DRN, 사이클 손실, 스타일 손실을 통합한 모델은 인간 간섭 없이 모든 테스트 코스에서 성공적으로 주행했으며, 모든 베이스라인을 압도했다.
• 오직 제안된 모델만이 모든 복잡한 교차로에서 100% 성공률를 달성하여 예측 불가능한 환경으로의 강력한 일반화 능력을 입증했다.
• t-SNE 시각화 결과, 변환된(전이된) 이미지의 분포가 실제 타겟 이미지의 분포와 매우 유사함을 확인하여 효과적인 도메인 정렬을 검증했다.
• 색상뿐 아니라 텍스처까지 적응시킴으로써 도메인 간 격리가 크게 감소했으며, 이는 더 나은 정책 일반화를 가능하게 했다.
• 제거 실험 결과, 사이클 손실과 스타일 손실이 실제 텍스처 전달에 필수적이며, 히스토그램 매칭은 성능 향상에 기여하지 못했다.
• 상한 실험 결과, 성공적인 적대적 학습이 도메인 적응에 필수적임을 입증했으며, 이는 타겟 도메인의 특성에 대한 사전 지식 없이도 일반화가 가능함을 의미한다.