[논문 리뷰] JuncNet: A Deep Neural Network for Road Junction Disambiguation for Autonomous Vehicles

Saumya Kumaar Saksena, B Navaneethkrishnan외 2명|arXiv (Cornell University)|2018. 08. 31.

Automated Road and Building Extraction참고 문헌 10인용 수 11

한 줄 요약

JuncNet는 시각 기반 인식을 통해 도시 환경에서 GPS 신호의 제한을 극복하면서도 실제 도로 분기점과 비분기 도로 세그먼트를 정확하게 구분하는 깊이 학습 기반 컨volution 신경망을 제안한다. 인도 과학기술원에서 확보한 실제 데이터를 기반으로 훈련되어, AlexNet 및 VGGNet과 같은 기존 모델보다 도로 분기점 분류 정확도에서 뛰어난 성능을 보이며 GPS 기반 항법이 불가능한 영역에서도 신뢰할 수 있는 자율 주행을 가능하게 한다.

ABSTRACT

With a great amount of research going on in the field of autonomous vehicles or self-driving cars, there has been considerable progress in road detection and tracking algorithms. Most of these algorithms use GPS to handle road junctions and its subsequent decisions. However, there are places in the urban environment where it becomes difficult to get GPS fixes which render the junction decision handling erroneous or possibly risky. Vision-based junction detection, however, does not have such problems. This paper proposes a novel deep convolutional neural network architecture for disambiguation of junctions from roads with a high degree of accuracy. This network is benchmarked against other well known classifying network architectures like AlexNet and VGGnet. Further, we discuss a potential road navigation methodology which uses the proposed network model. We conclude by performing an experimental validation of the trained network and the navigational method on the roads of the Indian Institute of Science (IISc).

연구 동기 및 목표

• 자율 주행 차량의 정확한 분기점 탐지에 장애가 되는 도시 환경에서의 신뢰할 수 없는 GPS 신호 문제를 해결하기 위해.
• GPS에 의존하지 않고도 신뢰성 있게 도로 분기점을 분류할 수 있는 시각 기반 딥 러닝 솔루션을 개발하기 위해.
• 복잡한 도시 도로 네트워크에서 도로 분기점의 구분을 위해 특별히 최적화된 새로운 CNN 아키텍처를 설계하기 위해.
• 인도 과학기술원 캠퍼스에서 확보한 데이터를 활용해 실제 환경 조건에서 제안된 모델의 성능을 검증하기 위해.
• GPS 기반 항법이 불가능한 지역에서 자율 주행 차량의 도로 주행 방법론에 모델을 통합하기 위해.

제안 방법

• 도로 분기점과 비분기 도로 세그먼트를 분류하기 위해 특수하게 설계된 아키텍처를 가진 커스터마이즈된 깊이 학습 기반 컨volution 신경망(JuncNet)을 제안한다.
• 도시 도로 환경을 중점적으로 다루기 위해 인도 과학기술원 캠퍼스에서 촬영한 실제 도로 이미지 데이터셋을 기반으로 엔드 투 엔드로 훈련한다.
• 기본 비교 모델로 사용하기 위해 사전 훈련된 모델들(예: AlexNet, VGGNet)을 적응시키기 위해 전이 학습 및 파라미터 조정 기법을 활용한다.
• 다양한 조명 조건과 가림 현상에 대비해 일반화 능력과 강인성을 향상시키기 위해 데이터 증강 전략을 적용한다.
• 분기점 분류 결과를 기반으로 경로 계획 결정을 유도하는 항법 파이프라인에 훈련된 JuncNet 모델을 통합한다.
• 지역적 및 전반적인 맥락을 모두 포착하기 위해 다중 척도 특징 추출 전략을 활용한다.

실험 결과

연구 질문

• RQ1 비디오 입력만을 사용하여 딥 러닝 모델이 도로 분기점과 비분기 도로 세그먼트를 효과적으로 구분할 수 있는가?
• RQ2 JuncNet의 성능은 AlexNet 및 VGGNet과 같은 기존의 CNN 아키텍처와 비교해 도로 분기점 분류 과제에서 어떻게 나타나는가?
• RQ3 시각 기반의 도로 분기점 탐지 기술이 도시 자율 주행에서 GPS 의존도를 얼마나 줄일 수 있는가?
• RQ4 제안된 모델이 밀도 높은 도시 지역과 같은 GPS 기반 항법이 불가능한 환경에서 신뢰할 수 있는 경로 계획을 가능하게 할 수 있는가?
• RQ5 복잡한 도로 네트워크에서 JuncNet을 통합한 항법 방법론의 실제 성능은 어떠한가?

주요 결과

• JuncNet는 동일한 테스트 세트에서 AlexNet 및 VGGNet보다 높은 분류 정확도를 달성하여 분기점 구분 과제에서 뛰어난 성능을 입증한다.
• 모델은 GPS 기반 항법이 불가능한 환경에서도 정상적으로 작동함을 입증하여 기존의 GPS 기반 항법이 실패하는 상황에서도 효과적임을 보였다.
• 인도 과학기술원 캠퍼스의 도로에서의 실험적 검증을 통해 모델의 강인성과 실제 적용 가능성 확인함.
• JuncNet 모델을 항법 파이프라인에 통합함으로써 GPS 의존 없이도 분기점에서 정확한 결정을 내릴 수 있음.
• 데이터 증강 및 전이 학습 기법의 활용이 다양한 도시 도로 조건에서의 모델 일반화 능력을 크게 향상시킴.
• 제안된 아키텍처는 도전적인 도시 환경에서 운영되는 자율 주행 차량에 대한 배치 잠재력을 보여줌.