[논문 리뷰] Vehicles Lane-changing Behavior Detection

Iljoo Baek, Mengwen He|arXiv (Cornell University)|2018. 08. 22.

Advanced Vision and Imaging참고 문헌 1인용 수 4

한 줄 요약

이 논문은 도시 환경에서 GPS 정밀도를 향상시키기 위해 단일 카메라 기반의 차선 변경 행동 탐지 시스템을 제안한다. 지원벡터기계(SVM)와 기울기 히스토그램(HoG) 특징을 사용하여, '알 수 없음'(Unknown)으로 잘못 분류된 경우를 정확한 것으로 간주할 경우 80%의 정확도를 달성한다. 이는 Canny 기반 SVM보다 뛰어나고, 복잡도가 낮음에도 불구하고 컨볼루션 신경망(CNN) 성능과 맞먹는다. 이는 자율주행 차량의 차선 수준 정밀도를 위한 저비용 솔루션을 제공한다.

ABSTRACT

The lane-level localization accuracy is very important for autonomous vehicles. The Global Navigation Satellite System (GNSS), e.g. GPS, is a generic localization method for vehicles, but is vulnerable to the multi-path interference in the urban environment. Integrating the vision-based relative localization result and a digital map with the GNSS is a common and cheap way to increase the global localization accuracy and thus to realize the lane-level localization. This project is to develop a mono-camera based lane-changing behavior detection module for the correction of lateral GPS localization. We implemented a Support Vector Machine (SVM) based framework to directly classify the driving behavior, including the lane keeping, left and right lane changing, from a sampled data of the raw image captured by the mono-camera installed behind the window shield. The training data was collected from the driving around Carnegie Mellon University, and we compared the trained SVM models w/ and w/o the Principle Component Analysis (PCA) dimension reduction technique. The performance of the SVM based classification method was compared with the CNN method.

연구 동기 및 목표

• 도시 환경에서 자율주행 차량의 GPS 정밀도를 향상시키기 위한 저비용, 카메라 기반 솔루션 개발.
• LiDAR나 CANBUS 데이터 없이 단일 시각 정보만을 사용하여 차선 변경 행동(유지, 좌측, 우측)을 탐지하고 분류.
• GNSS와 디지털 지도와의 융합을 통해 레이더 정밀도를 향상시키기 위해 시각적 차선 정보 통합.
• SVM에 PCA 및 HoG 특징를 적용한 결과와 Canny 특징 및 CNN 기반 분류 성능 비교.
• 미래에 시각 온도메트리, 자이로스코프, CANBUS 데이터와의 융합을 지원하는 제어 가능하고 해석 가능한 차선 변경 탐지 프레임워크 구축.

제안 방법

• 차량에서 1m, 10m, 20m, 30m 거리에 따라 전방 단일 카메라 이미지에서 관심 영역(ROI) 추출.
• 경계 검출(Canny) 및 기울기 히스토그램(HoG)을 적용하여 ROI에서 시각적 특징 추출.
• 원래 에너지의 98% 이상을 유지하면서 특징 차원을 감소시키기 위해 주성분 분석(PCA) 사용.
• Canny 및 HoG 특징를 사용하여 PCA 유무에 따라 지원벡터기계(SVM) 분류기 훈련.
• 동일한 ROI 입력과 세 클래스 출력(유지, 변경, 알 수 없음)을 사용하여 10층 CNN을 구축하고 비교.
• 혼동 행렬과 진짜 레이블 기반 평가를 통해 성능 평가하며, '알 수 없음'을 '유지'로 올바르게 간주하여 정확도 재계산.

실험 결과

연구 질문

• RQ1 단일 카메라와 SVM, HoG 특징를 사용하여 GNSS 정밀도 오차를 수정할 수 있을 정도의 정확도로 차선 변경 행동을 탐지할 수 있는가?
• RQ2 PCA 기반 차원 감소가 SVM 기반 차선 변경 분류 성능에 어떤 영향을 미치는가?
• RQ3 HoG 기반 SVM의 성능은 Canny 기반 SVM 및 CNN 기반 분류 성능에 비해 어떻게 다른가?
• RQ4 잘못 분류된 '알 수 없음' 세그먼트를 재해석하여 '유지' 행동으로 간주할 경우, 효과적 정확도 향상 정도는 어느 정도인가?
• RQ5 시각적 특징과 다양한 센서(예: IMU, 시각 온도메트리, CANBUS)를 융합한 하이브리드 시스템이 탐지 정확도 향상에 기여할 수 있는가?

주요 결과

• HoG 기반 SVM 분류기는 '알 수 없음'으로 잘못 분류된 경우를 '유지'로 올바르게 간주할 경우 80%의 정확도를 달성하여 Canny 기반 SVM를 능가했다.
• HoG 기반 SVM는 Canny 기반 SVM에 비해 '유지'와 '알 수 없음' 간의 오분류율이 낮고 더 안정적인 성능을 보였다.
• CNN 기반 분류기는 테스트 정확도 79.70%를 기록하여 HoG-SVM의 80% 효과적 정확도를 略로 떨어뜨렸지만, 훈련 정확도는 99.93%로 높았다.
• HoG-SVM과 CNN 모두 차량이 자동차를 추월할 경우 차선 변경을 탐지하지 못했으며, 이는 훈련 데이터의 데이터 분포 갭을 반영한다.
• 혼동 행렬 분석 결과, HoG-SVM는 CNN에 비해 '좌측' 및 '우측' 변경에 대한 임의의 양성 결과가 적어 더 우수한 일반화 성능을 보였다.
• HoG와 PCA를 적용한 SVM 프레임워크는 블랙박스인 CNN에 비해 더 해석 가능하고 제어 가능한 대안을 제공하며, 향후 시각 온도메트리, 자이로스코프, CANBUS 데이터와의 융합을 지원한다.