[논문 리뷰] ScaTE: A Scalable Framework for Self-Supervised Traversability Estimation in Unstructured Environments

Junwon Seo, Taekyung Kim외 3명|arXiv (Cornell University)|2022. 09. 14.

Autonomous Vehicle Technology and Safety인용 수 5

한 줄 요약

이 논문은 3차원 포인트 클라우드에서 자율주행차의 특성에 맞는 주행 가능성을 자기학습 방식으로 학습하는 확장 가능한 ScaTE 프레임워크를 제안한다. 이는 자가지각 경험 예측과 새로운 PU 학습 방법을 통해 불확실하고 주행이 불가능한 영역을 식별함으로써, 인간의 레이블링 없이도 정확하고 확장 가능한 비정형 환경 내 주행을 가능하게 한다. 실제 및 시뮬레이션된 오프로드 데이터에서 이상 탐지 및 경로 계획 성능이 기준 방법들을 능가한다.

ABSTRACT

For the safe and successful navigation of autonomous vehicles in unstructured environments, the traversability of terrain should vary based on the driving capabilities of the vehicles. Actual driving experience can be utilized in a self-supervised fashion to learn vehicle-specific traversability. However, existing methods for learning self-supervised traversability are not highly scalable for learning the traversability of various vehicles. In this work, we introduce a scalable framework for learning self-supervised traversability, which can learn the traversability directly from vehicle-terrain interaction without any human supervision. We train a neural network that predicts the proprioceptive experience that a vehicle would undergo from 3D point clouds. Using a novel PU learning method, the network simultaneously identifies non-traversable regions where estimations can be overconfident. With driving data of various vehicles gathered from simulation and the real world, we show that our framework is capable of learning the self-supervised traversability of various vehicles. By integrating our framework with a model predictive controller, we demonstrate that estimated traversability results in effective navigation that enables distinct maneuvers based on the driving characteristics of the vehicles. In addition, experimental results validate the ability of our method to identify and avoid non-traversable regions.

연구 동기 및 목표

• 각 차량 또는 센서 유형에 대해 인간 레이블링이 필요한 기존 자기학습 주행 가능성 추정 방법의 확장성 부족 문제를 해결하기 위해.
• 인간 감독 없이 주행 경험에서 직접 차량 특화 주행 가능성을 학습함으로써 다양한 차량 및 주행 정책에 적응할 수 있도록 하기 위해.
• 주행 불가능 영역이 과도하게 확신을 가지고 예측되는 자기학습 학습에서의 불확실성 문제를 해결하기 위해.
• 3차원 포인트 클라우드에서 자가지각 경험을 예측하는 프레임워크를 개발하여 정밀한 지형-차량 상호작용 모델링을 가능하게 하기 위해.
• 학습된 주행 가능성 추정치를 기반으로 모델 예측 제어기(MPC)를 통합하여 안전하고 차량에 적합한 경로를 생성함으로써 효과적인 주행을 구현하기 위해.

제안 방법

• 프레임워크는 차량-지형 상호작용을 직접 모델링하기 위해 3차원 지형 포인트 클라우드에서 자가지각 경험(예: 운동 동역학)을 예측하는 신경망을 훈련한다.
• 단지 주행된(양성) 영역과 레이블이 없는(주행 불가능한) 영역만을 사용하는 새로운 양성-무레이블(PU) 학습 방법을 적용하여 인간 레이블링이 필요한 음성 데이터를 회피한다.
• PU 학습 접근법은 고불확실성 영역을 주행 불가능한 것으로 명시적으로 식별함으로써 예측의 과도한 확신을 감소시킨다.
• 특징 공간 붕괴를 방지하기 위해 수정된 중심 기반 손실을 사용하는 대비 학습 목표를 도입하여 이상 탐지 성능을 향상시킨다.
• 훈련된 모델은 주행 가능성 추정치를 기반으로 안전하고 차량에 맞는 경로를 생성하기 위해 모델 예측 제어기(MPC)와 통합된다.
• 프레임워크는 시뮬레이션 및 실제 오프로드 환경(산악 트레일, RELLIS-3D 포함)의 다양한 주행 데이터를 기반으로 훈련된다.

실험 결과

연구 질문

• RQ1 자기학습 프레임워크는 인간 레이블링 데이터 없이도 다양한 차량 및 센서 유형 간 확장 가능성을 갖춘 차량 특화 주행 가능성을 학습할 수 있는가?
• RQ2 PU 학습 기반 접근법은 높은 불확실성 영역을 효과적으로 식별하여 예측의 과도한 확신을 줄일 수 있는가?
• RQ3 자가지각 경험 예측에서 유도된 주행 가능성 추정치는 비정형 환경에서 주행 성능을 향상시키는 데 효과적인가?
• RQ4 제안된 방법은 일종의 분류 및 이상 탐지 기준 방법에 비해 주행 불가능한 지형을 탐지하는 데 얼마나 효과적인가?
• RQ5 재훈련이나 인간 간섭 없이도 다양한 차량 유형과 지형 유형으로 일반화할 수 있는 정도는 어느 정도인가?

주요 결과

• RELLIS-3D 데이터셋에서 제안된 방법은 AUROC 0.9706과 TPR 0.7852를 기록하여, SVDD(AUROC: 0.7482, TPR: 0.5000) 및 소프트 SVDD(AUROC: 0.8396, TPR: 0.5000)와 같은 기준 방법들을 크게 능가했다.
• 산악 트레일 데이터에서 방법은 AUROC 0.9706과 TPR 0.7852를 기록하여 다양한 지형 유형 간 강력한 일반화 능력을 입증했다.
• 정성적 결과에서는 제안된 주행 가능성 추정치를 사용한 경로가 돌기, 자갈, 급경사 등 위험 영역을 효과적으로 피한 반면, 기준 방법들은 이러한 영역으로 진입하는 경향을 보였다.
• PU 학습 방법은 주행 불가능 영역에서의 과도한 확신을 효과적으로 감소시켰으며, 고불확실성 영역이 명시적으로 주행 불가능으로 표시되었다.
• 프레임워크는 인간 레이블링 없이도 자기학습 주행 데이터만으로 다양한 차량 유형의 주행 가능성을 학습함으로써 확장성 잠재력을 입증했다.
• 모델 예측 제어기와의 통합을 통해 안정적이고 차량에 맞는 주행이 가능했으며, 학습된 주행 가능성 지ap의 실용적 유용성을 확인했다.