[논문 리뷰] Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection

Di Feng, Lars Rosenbaum외 1명|arXiv (Cornell University)|2018. 04. 13.

Autonomous Vehicle Technology and Safety인용 수 27

한 줄 요약

이 논문은 자율주행을 위한 LiDAR 포인트 클라우드에 대해 체계적으로 모델 불확실성(에피스테믹)과 관측 불확실성(알레아토릭)을 모델링하는 확률적 3D 차량 검출 네트워크를 제안한다. 몬테카를로 드롭아웃을 통해 에피스테믹 불확실성을 추정하고, 보조 출력 레이어를 통해 알레아토릭 불확실성을 모델링함으로써 검출 성능을 1–5% 향상시켰으며, 에피스테믹 불확실성은 검출 정확도와 상관관계가 있음을 입증하고, 알레아토릭 불확실성은 거리와 가림 정도가 증가할수록 증가함을 보였다.

ABSTRACT

To assure that an autonomous car is driving safely on public roads, its object detection module should not only work correctly, but show its prediction confidence as well. Previous object detectors driven by deep learning do not explicitly model uncertainties in the neural network. We tackle with this problem by presenting practical methods to capture uncertainties in a 3D vehicle detector for Lidar point clouds. The proposed probabilistic detector represents reliable epistemic uncertainty and aleatoric uncertainty in classification and localization tasks. Experimental results show that the epistemic uncertainty is related to the detection accuracy, whereas the aleatoric uncertainty is influenced by vehicle distance and occlusion. The results also show that we can improve the detection performance by 1%-5% by modeling the aleatoric uncertainty.

연구 동기 및 목표

• 자율주행을 위한 딥러닝 기반 3D 객체 검출기에서 불확실성 추정의 부족을 해결하기 위해.
• 객체 검출에서 모델 신뢰도와 센서 노이즈를 정량화하여 안전한 자율주행을 가능하게 하기 위해.
• LiDAR 기반 검출에서 모델 한계(에피스테믹 불확실성)와 센서 노이즈(알레아토릭 불확실성)를 구분하기 위해.
• 알레아토릭 불확실성을 모델링하여 검출의 강인성을 향상시키고, 노이즈가 많은 조건에서도 성능을 향상시키기 위해.
• 불확실성 정량화를 통해 예측의 불확실성을 식별하여 액티브 러닝 및 추적을 지원하기 위해.

제안 방법

• 분류 및 3D 경계상자 회귀에 대한 예측 분포를 출력하도록 3D 차량 검출기를 변형한다.
• 여러 번의 순방향 전파를 통해 테스트 시에 몬테카를로 드롭아웃을 사용하여 에피스테믹 불확실성을 추정한다.
• 보조 출력 헤드를 도입하여 경계상자 회귀의 분산을 예측함으로써 알레아토릭 불확실성을 모델링한다.
• 분류 불확실성은 샤논 엔트로피와 상호정보량을, 국소화 불확실성은 총 분산을 사용하여 정량화한다.
• 검출 정확도와 불확실성 추정을 동시에 최적화하는 손실 함수를 사용하여 네트워크를 훈련시킨다.
• 거리와 가림 정도에 대한 정성적 분석 및 피어슨 상관계수를 활용하여 불확실성 추정의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 3D LiDAR 차량 검출기에서 에피스테믹 및 알레아토릭 불확실성을 효과적으로 포착할 수 있는 방법은 무엇인가?
• RQ2 에피스테믹 불확실성과 검출 정확도 사이의 관계는 무엇이며, 특히 분포 외 또는 이국적인 객체(예: 유령 객체, 대형 차량, 잘못 분류된 차량)의 경우 어떻게 되는가?
• RQ3 검출 거리와 가림 정도는 3D 경계상자 예측에서 알레아토릭 불확실성에 어떤 영향을 미치는가?
• RQ4 알레아토릭 불확실성을 모델링하면 검출 성능 향상에 실질적인 기여를 할 수 있는가?
• RQ5 불확실성 정량화를 통해 액티브 러닝이나 자율주행 시스템의 객체 추적을 어떻게 향상시킬 수 있는가?

주요 결과

• 에피스테믹 불확실성은 검출 정확도와 상관관계가 있으며, 유령 객체, 대형 차량, 잘못 분류된 차량과 같은 이방성 또는 분포 외 객체일수록 증가한다.
• 알레아토릭 불확실성은 차량의 거리와 가림 정도가 증가할수록 증가하며, 앞면 코너에 비해 가려진 코너에서 공간적 불확실성이 일관되게 더 높게 나타난다.
• 거리와 알레아토릭 불확실성 간의 피어슨 상관계수는 x축에서 0.569, y축에서 0.412, z축에서 0.497를 기록하여 강한 정적 상관관계를 보였다.
• 알레아토릭 불확실성을 모델링함으로써 검출 성능이 1%에서 5% 향상되었으며, 센서 노이즈에 대한 강인성이 향상됨을 입증하였다.
• 에피스테믹 불확실성 추정은 다수의 순방향 전파가 필요하므로 실시간 온라인 사용에 있어 계산 비용이 높다(테이탄 X GPU 기준 0.3 fps).
• 알레아토릭 불확실성은 단일 추론 프로세스로 계산할 수 있어 자율주행 시스템의 온라인 구현에 적합하다.