[论文解读] Autonomous UAV Navigation with Domain Adaptation.

Jaeyoon Yoo, Yongjun Hong+1 more|arXiv (Cornell University)|Dec 11, 2017

Domain Adaptation and Few-Shot Learning参考文献 68被引用 6

一句话总结

本文提出一种基于对抗性学习的域适应方法，使无人机能够在无需标注真实世界图像的情况下，自主导航于多样化的户外环境。通过对齐仿真域与真实域之间的特征分布，该方法在极少标注成本下实现了对未见环境的鲁棒导航。

ABSTRACT

Unmanned Aerial Vehicle(UAV) autonomous driving gets popular attention in machine learning field. Especially, autonomous navigation in outdoor environment has been in trouble since acquiring massive dataset of various environments is difficult and environment always changes dynamically. In this paper, we apply domain adaptation with adversarial learning framework to UAV autonomous navigation. We succeed UAV navigation in various courses without assigning corresponding label information to real outdoor images. Also, we show empirical and theoretical results which verify why our approach is feasible.

研究动机与目标

• 解决动态户外环境中无人机自主导航所面临的标注真实世界数据有限的挑战。
• 使无人机在无需微调或人工标注的情况下，泛化至未见过的户外环境。
• 开发一种域适应框架，以减少合成视觉输入与真实世界视觉输入之间的域偏移。
• 仅使用未标注的真实户外图像和域适应特征，实现有效的无人机导航。
• 通过理论分析与实证评估验证该方法的可行性。

提出的方法

• 采用对抗性域适应框架，对齐合成（仿真）与真实户外图像的特征分布。
• 利用域判别器网络在训练过程中区分来自源域（仿真）和目标域（真实）的特征。
• 端到端训练语义分割或导航策略网络，结合对抗性损失以最小化域偏移。
• 应用对抗性训练，促使特征提取器生成域不变的表征。
• 在推理过程中使用未标注的真实户外图像，实现无需任何对应标注的导航。
• 利用域不变特征提升在多样化且未见的户外环境中的泛化能力。

实验结果

研究问题

• RQ1 对抗性域适应能否有效减少仿真与真实世界无人机视觉输入之间的域偏移？
• RQ2 无人机在无需任何标注真实世界数据的情况下，能在多大程度上导航于未见的户外环境中？
• RQ3 所提出的域适应框架在多样化真实世界环境中的泛化能力如何提升？
• RQ4 有哪些理论与实证证据支持该方法在无人机导航中的可行性？

主要发现

• 所提出的方法可在无需任何标注真实世界图像的情况下，实现无人机在多种户外场景中的导航。
• 实证结果表明，仅使用未标注的真实图像，即可在多个未见环境中成功实现导航。
• 理论分析证实了域适应在减少无人机视觉感知中域偏移方面的可行性。
• 对抗性域适应框架有效对齐了合成域与真实域之间的特征分布。
• 该方法在动态且此前未见的户外环境中实现了鲁棒的泛化能力。
• 该方法在保持导航性能的同时，降低了对昂贵真实世界标注的依赖。