[논문 리뷰] Uncertainty-Aware Voxel based 3D Object Detection and Tracking with von-Mises Loss

Yuanxin Zhong, Minghan Zhu외 1명|arXiv (Cornell University)|2020. 11. 04.

Robotics and Sensor-Based Localization참고 문헌 25인용 수 6

한 줄 요약

이 논문은 3D 객체 검출 및 추적 프레임워크를 제안하며, 박막 기반 검출기(SECOND)에 고려된 가우시안 및 볼드-마이스 음수 로그우도(NLL) 손실을 통합하여 위치, 치수 및 요어 각도의 불확실성을 추정한다. 학습된 불확실성을 칼만 필터 기반 추적기와 통합함으로써, 일정 공분산 기반 베이스라인 대비 추적 성능을 향상시켰으며, 적응형 불확실성 추정이 자율 주행 인식 시스템의 강인성과 정확도를 향상시킨다는 것을 입증한다.

ABSTRACT

Object detection and tracking is a key task in autonomy. Specifically, 3D object detection and tracking have been an emerging hot topic recently. Although various methods have been proposed for object detection, uncertainty in the 3D detection and tracking tasks has been less explored. Uncertainty helps us tackle the error in the perception system and improve robustness. In this paper, we propose a method for improving target tracking performance by adding uncertainty regression to the SECOND detector, which is one of the most representative algorithms of 3D object detection. Our method estimates positional and dimensional uncertainties with Gaussian Negative Log-Likelihood (NLL) Loss for estimation and introduces von-Mises NLL Loss for angular uncertainty estimation. We fed the uncertainty output into a classical object tracking framework and proved that our method increased the tracking performance compared against the vanilla tracker with constant covariance assumption.

연구 동기 및 목표

• 인식 시스템에서 앨레토릭 불확실성을 모델링하여 3D 객체 검출 및 추적의 강인성을 향상시키는 것.
• 특히 요어 각도와 같이 주기적인 파라미터에 대해 불확실성 추정이 부족한 3D 검출 문제를 해결하는 것.
• 검출기에서 학습된 불확실성으로 관측 노이즈를 일정한 값에서 대체함으로써 객체 추적 성능을 향상시키는 것.
• 검출 품질 향상을 위해 불확실성 기반 점수 매기기 및 NMS 개선 전략을 탐색하는 것.
• 기존 3D 검출기에 최소한의 아키텍처 변경으로 불확실성 브랜치를 추가하는 플러그인 솔루션을 제공하는 것.

제안 방법

• 박스 회귀 및 불확실성 추정(분산 및 각도 불확실성)을 위한 별도의 브랜치를 갖춘 다중 헤드 검출 헤드 도입.
• 3D 경계상자에서 위치 및 치수 불확실성을 추정하기 위해 가우시안 NLL 손실 사용.
• 요어와 같이 주기적인 변수에 적합한 새로운 볼드-마이스 NLL 손실을 제안하여 각도 불확실성 회귀.
• 추정된 불확실성을 고전적인 칼만 필터 기반 추적 프레임워크에 통합하여 상태 추정 향상.
• 더 신뢰할 수 있는 검출을 우선시하는 불확실성 기반 점수 매기기 및 NMS 전략 적용으로 검출 품질 향상.
• 분류(Focal Loss), 박스 회귀(Smooth L1), 불확실성 회귀(Gaussian 및 볼드-마이스 NLL)를 결합한 이중 손실 학습 기반, 학습 가능한 가중치 계수를 사용.

실험 결과

연구 질문

• RQ1 학습된 불확실성 추정이 박막 기반 네트워크에서 3D 객체 검출 성능을 향상시킬 수 있는가?
• RQ2 주기적인 변수인 각도 불확실성은 어떻게 효과적으로 3D 객체 검출에 모델링할 수 있는가?
• RQ3 추정된 불확실성을 칼만 필터 추적기에 통합하면 추적 정확도에 측정 가능한 향상이 이루어지는가?
• RQ4 불확실성 기반 점수 매기기가 어려운 샘플에 대해 비최대 억제(NMS) 성능을 향상시킬 수 있는가?
• RQ5 불확실성 손실 가중치 및 불확실성 매핑 함수에 대한 최적의 초모델 설정은 무엇인가?

주요 결과

• 제안된 방법은 KITTI 검출 벤치마크에서 기준인 SECOND 검출기 대비 모든 객체 카테고리에서 더 높은 평균 정밀도(AP)를 달성한다.
• 볼드-마이스 NLL 손실은 주기적 변수에 대해 효과적인 각도 불확실성 회귀를 가능하게 하여 기존 표준 접근 방식을 능가한다.
• 불확실성 인식 칼만 필터링을 통한 추적 성능 향상으로 ID 스위치(IDSW)와 프래그먼트(FRAG)가 감소하고 Max F1 및 AP가 증가하였다.
• 절단 분석 결과, 원래의 박스 회귀와 분산 회귀를 조합하는 것이 불확실성 회귀만을 사용하는 것보다 더 나은 검출 성능을 제공한다.
• 지수 매핑을 사용한 불확실성 기반 NMS는 어려운 샘플에 대해 BEV AP를 향상시켜 검출 개선에 실용성을 입증하였다.
• 불확실성 손실 가중치 및 정규화 계수의 변화에 대해 유연성을 유지하나, 최적의 튜닝은 경험적 탐색이 필요하다.