[논문 리뷰] Perception Entropy: A Metric for Multiple Sensors Configuration Evaluation and Design

Tao Ma, Zhizheng Liu외 1명|arXiv (Cornell University)|2021. 04. 14.

Robotics and Sensor-Based Localization참고 문헌 16인용 수 10

한 줄 요약

이 논문은 베이지안 이론의 조건부 엔트로피를 기반으로 한 새로운 척도인 인지 엔트로피를 제안하여 자율주행 차량의 다중 센서 구성에 대한 정량적 평가와 최적화를 수행한다. 목표 탐지에 대한 불확실성을 모델링하고 센서 융합 전략을 통합함으로써, 카메라와 라이다의 배치를 체계적으로 설계할 수 있게 되었으며, 시뮬레이션을 통한 검증과 최신 기술들과의 비교를 통해 뛰어난 인지 잠재력을 확보하였다.

ABSTRACT

Sensor configuration, including the sensor selections and their installation locations, serves a crucial role in autonomous driving. A well-designed sensor configuration significantly improves the performance upper bound of the perception system. However, as leveraging multiple sensors is becoming the mainstream setting, existing methods mainly focusing on single-sensor configuration problems are hardly utilized in practice. To tackle these issues, we propose a novel method based on conditional entropy in Bayesian theory to evaluate the sensor configurations containing both cameras and LiDARs. Correspondingly, an evaluation metric, perception entropy, is introduced to measure the difference between two configurations, which considers both the perception algorithm performance and the selections of the sensors. To the best of our knowledge, this is the first method to tackle the multi-sensor configuration problem for autonomous vehicles. The simulation results, extensive comparisons, and analysis all demonstrate the superior performance of our proposed approach.

연구 동기 및 목표

• 자율주행 차량에서 다중 모odal 센서 구성에 대한 정량적이고 통합된 평가 방법의 부족 문제를 해결하기 위해.
• 해상도, 레이저 포인트 밀도, 인지 알고리즘 성능을 반영하지 못하는 히وري스틱이고 시야각 기반 접근법의 한계를 극복하기 위해.
• 카메라, 라이다 등 다양한 모달리티에 대해 단일이고 원칙적인 척도를 사용해 센서 구성 평가가 가능한 일반화 가능한 프레임워크를 개발하기 위해.
• 인지 엔트로피를 최대화함으로써 센서 배치를 최적화하여, 이는 인지 성능의 이론적 상한선을 반영하기 위함이다.
• 통합 융합 전략을 통해 인지 능력과 센서의 중복성을 균형 잡는 비용 효율적인 설계를 가능하게 하기 위해.

제안 방법

• 방법은 센서 구성에 조건부된 목표 탐지의 불확실성을 반영하기 위해 객체 인지 성능을 정규분포로 모델링한다.
• 인지 엔트로피는 목표 탐지 분포의 조건부 엔트로피로 계산되며, 높은 엔트로피는 낮은 불확실성과 더 나은 구성에 해당한다.
• 이 방법은 인지 알고리즘의 평균 정밀도(AP)와 목표에 대한 픽셀 수 또는 레이저 포인트 수 사이의 정량적 관계를 수립한다.
• 모달리티별로 특화된 센서 융합 전략을 사용하여 카메라와 라이다를 단일 확률적 프레임워크 내에서 통합한다.
• 최적화 과정은 기울기 기반 또는 히وري스틱 검색을 사용하여 인지 엔트로피를 최대화하는 센서 위치를 찾는다.
• 프레임워크는 시뮬레이션을 통해 검증되었으며, 시야각, 장착 위치, 피치 각도 등의 센서 파라미터를 체계적으로 변형하였다.

실험 결과

연구 질문

• RQ1 카메라와 라이다를 조합한 다중 센서 구성의 인지 잠재력을 정량적으로 평가할 수 있는 방법은 무엇인가?
• RQ2 센서 구성(예: 시야각, 장착 위치)과 인지 알고리즘 성능 사이의 관계는 무엇인가?
• RQ3 카메라, 라이다 등 서로 다른 센서 모달리티를 단일 평가 및 최적화 프레임워크에 통합할 수 있는 방법은 무엇인가?
• RQ4 인지 엔트로피는 인지 성능의 이론적 상한선을 신뢰할 수 있는 대체 척도로 사용할 수 있는가?
• RQ5 이 방법은 히وري스틱 또는 시야각 기반 접근법보다 센서 배치 최적화에서 어떻게 뛰어나게 되는가?

주요 결과

• 60°HFOV 카메라는 120°HFOV 카메라(2.0237)보다 높은 인지 엔트로피 2.0055를 기록하여 장거리에서의 높은 해상도가 넓은 시야각을 상쇄할 수 있음을 입증하였다.
• 버스에 장착된 두 대의 Pandar40 라이다의 최적 배치는 작은 피치 각도 오프셋을 가진 비대칭 구조였으며, 레이저 빔의 겹침을 줄이고 목표물의 포인트 클라우드 밀도를 높였다.
• 전면 A필러에 장착된 두 대의 라이다에서 전면 가중치(w(s,c))를 두 배로 늘린 결과, 인지 엔트로피는 1.7119에서 1.6864로 향상되어 전면 커버리지가 향상됨을 나타냈다.
• 라이다 단일 구성에 30°HFOV 전면 카메라와 60°HFOV 후면 카메라를 추가함으로써 인지 엔트로피가 크게 향상되었으며, 이는 다중 모달 융합의 이점을 입증하였다.
• 전체 라이다-카메라 구성의 인지 엔트로피(2.0055)는 라이다 단일 구성(1.7119)보다 높았으며, 센서 융합의 가치를 확인하였다.
• 이 방법은 라이다 간 피치 각도의 미세한 차이와 같은 구성의 미세한 향상도 성공적으로 포착하였으며, 이는 포인트 클라우드 커버리지 향상과 맹점 감소에 기여하였다.