[논문 리뷰] Soft Constrained Autonomous Vehicle Navigation using Gaussian Processes and Instance Segmentation

Bruno Henrique Groenner Barbosa, Neel P. Bhatt외 2명|arXiv (Cornell University)|2021. 01. 18.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 34인용 수 4

한 줄 요약

이 논문은 단일 렌즈 영시각, 인스턴스 세그멘테이션, 그리고 가우시안 프로세스 회귀(GPR)를 사용하여 차량-지표간 거리를 예측하는 소프트 제약 기반 입자 필터 프레임워크를 제안한다. 세그멘테이션된 지표 특징과 GPR의 평균 및 분산에서 유도된 적응형 제약 조건을 활용하여, 고도의 GPS 노이즈(σv = 10 m) 조건에서도 하위미터 수준의 정밀도(평균 오차 0.98 m)를 달성하며, 지표 수가 적고 관측치가 노이즈가 많은 환경에서도 뛰어난 강건성을 입증한다.

ABSTRACT

This paper presents a generic feature-based navigation framework for autonomous vehicles using a soft constrained Particle Filter. Selected map features, such as road and landmark locations, and vehicle states are used for designing soft constraints. After obtaining features of mapped landmarks in instance-based segmented images acquired from a monocular camera, vehicle-to-landmark distances are predicted using Gaussian Process Regression (GPR) models in a mixture of experts approach. Both mean and variance outputs of GPR models are used for implementing adaptive constraints. Experimental results confirm that the use of image segmentation features improves the vehicle-to-landmark distance prediction notably, and that the proposed soft constrained approach reliably localizes the vehicle even with reduced number of landmarks and noisy observations.

연구 동기 및 목표

• 노이즈가 많은 센서와 희박한 지표를 가진 실제 환경에서 지도 기반 차량 정위치 결정의 강건성과 정확도를 향상시키기.
• 밀도가 높거나 계산 비용이 큰 지도에 대한 의존도를 줄이기 위해 단일 렌즈 영시각에서 유도된 의미론적 및 기하학적 특징을 활용하기.
• 기존 주행 시스템에 추가로 통합할 수 있는 일반적이고 확장 가능한 프레임워크를 개발하여 드리프트를 감소시키기.
• 인스턴스 세그멘테이션과 GPR을 활용해 먼 거리에 위치한 또는 비정형 형태의 지표에 대한 거리 예측을 향상시키기.
• 지표 거리 예측의 불확실성에 기반해 동적으로 조정되는 적응형 소프트 제약 조건을 설계하기.

제안 방법

• 단일 렌즈 카메라가 영상을 촬영하고, 이를 인스턴스 세그멘테이션을 통해 알려진 지표(예: 기둥 등)의 정밀한 픽셀 수준 마스크로 추출한다.
• 세그멘테이션된 영상에서 유도된 지표 특징(예: 중심점, 크기, 형태)을 Mixture of Experts 가우시안 프로세스 회귀(GPR) 모델의 입력으로 사용한다.
• GPR 모델은 차량-지표 간 거리의 평균과 분산을 예측하여 불확실성 인식이 가능한 소프트 제약 조건을 제공한다.
• 소프트 제약 기반 입자 필터(scPF)는 운동학적 정보, 도로 기하학적 특징, 속도, 지표 거리 제약 조건을 상태 추정 과정에 통합한다.
• 제약 조건은 GPR 예측 분산을 기반으로 적응적으로 가중치가 조정되며, 높은 분산일수록 제약의 영향력이 감소하여 불확실성에 대한 강건성을 확보한다.
• 프레임워크는 GPS, LiDAR, 카메라 데이터를 활용한 실제 셔틀 버스 노선에서 검증되었으며, 확률적 입자 필터 프레임워크 내에서 제약 조건이 적용되었다.

실험 결과

연구 질문

• RQ1 인스턴스 세그멘테이션은 단일 렌즈 영시각 기반 주행에서 차량-지표 간 거리 예측 정확도를 향상시키는가?
• RQ2 GPR로 예측한 거리 불확실성을 소프트 제약 조건에 통합함으로써, 노이즈가 많은 관측 조건 하에서도 정위치 결정의 강건성이 향상되는가?
• RQ3 지표가 희박하거나 관측치가 노이즈가 많은 조건에서 소프트 제약 기반 입자 필터가 하위미터 수준의 정위치 결정 정확도를 유지할 수 있는가?
• RQ4 기존 SLAM 또는 GPS 보조 시스템에 추가로 통합 가능한 일반적이고 특징 기반의 주행 프레임워크를 설계할 수 있는가?
• RQ5 가중치가 분산에 기반한 적응형 제약 조건은 고정 또는 딱딱한 제약 조건에 비해 정위치 결정의 안정성과 오차 감소에 얼마나 효과적인가?

주요 결과

• 고도의 GPS 노이즈(σv = 10 m) 조건 하에서 Ring Road 시험 노선에서 평균 정위치 오차 0.98 m, 중앙값 오차 0.73 m를 달성하였다.
• 소프트 제약 조건을 추가함으로써 정위치 결정 성능이 크게 향상되었으며, 검출된 지표 수가 적은 조건에서도 비제약 기반 입자 필터 대비 오차가 감소하였다.
• GPR 입력에 인스턴스 세그멘테이션 특징을 활용함으로써, 특히 먼 거리에 위치하거나 비정형 형태의 지표에 대해 거리 예측의 신뢰성이 향상되었다.
• GPR 기반 하이브리드 거리 예측기(평균 및 분산 출력 사용)는 적응형 제약 조건 가중치를 가능하게 하여 지표 거리 추정의 불확실성에 대한 강건성을 향상시켰다.
• 지표 가용성이 낮고 측정 노이즈가 높은 조건에서도 하위미터 수준의 정위치 결정 정확도를 유지하였으며(σv = 3 m일 때 평균 오차 0.88 m), 이는 높은 안정성을 보였다.
• 기존 주행 시스템(예: SLAM)에 추가로 통합 가능할 잠재력을 보이며, 드리프트를 감소시키고 상태 추정을 향상시키는 데 유용할 것으로 나타났다.