[論文レビュー] Soft Constrained Autonomous Vehicle Navigation using Gaussian Processes and Instance Segmentation

Bruno Henrique Groenner Barbosa, Neel P. Bhatt+2 more|arXiv (Cornell University)|Jan 18, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 34被引用数 4

ひとこと要約

本稿では、単眼視覚、インスタンスセグメンテーション、およびガウス過程回帰（GPR）を用いて車両-ランドマーク距離を予測する、ソフト制約付きパーティクルフィルタフレームワークを提案する。セグメンテーション処理で得られたランドマーク特徴と、GPRの平均および分散から導かれる適応的制約を活用することで、GPSノイズが大きい状況（σv = 10 m）下でも、1m未満の局所化精度（平均誤差 0.98 m）を達成し、限られたランドマークとノイズの多い観測下でも高い耐障害性を示した。

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.

研究の動機と目的

• ノイズの大きいセンサーとスパースなランドマークを伴う実世界環境において、マップベースの車両局所化の耐障害性と精度を向上させること。
• 密度の高いまたは計算コストの高いマップに依存することを減らし、単眼視覚から得られる意味的および幾何的特徴を活用すること。
• 既存のナビゲーションシステムに追加として統合可能な汎用的かつ拡張可能なフレームワークを構築し、ドリフトを低減すること。
• インスタンスセグメンテーションとGPRを用いて、遠方または不規則な形状のランドマークに対する距離予測を向上させること。
• 不確実性に基づいて動的に調整される、適応的でソフトな制約を設計すること。

提案手法

• 単眼カメラが画像を撮影し、インスタンスセグメンテーションを用いて既知のランドマーク（例：電柱）のピixe単位のマスクを正確に抽出する。
• セグメンテーション画像から得られるランドマーク特徴（例：重心、サイズ、形状）を、混合専門家ガウス過程回帰（GPR）モデルの入力として用いる。
• GPRモデルは、車両-ランドマーク距離の平均と分散を予測し、不確実性を考慮したソフト制約を可能にする。
• ソフト制約付きパーティクルフィルタ（scPF）は、運動モデル、道路幾何、速度、ランドマーク距離の制約を状態推定プロセスに統合する。
• 制約の重みはGPR予測分散に基づいて適応的に調整される：分散が大きいほど制約の影響が小さくなり、不確実性に対して耐障害性が向上する。
• 本フレームワークは、GPS、LiDAR、カメラデータを用いた実世界のシャトルバス路線で検証され、確率的パーティクルフィルタフレームワーク内に制約を適用した。

実験結果

リサーチクエスチョン

• RQ1 インスタンスセグメンテーションは、単眼視覚ベースのナビゲーションにおける車両-ランドマーク距離予測の精度を向上させることができるか？
• RQ2 GPRで予測された距離の不確実性をソフト制約に組み込むことで、ノイズの多い観測下での局所化の耐障害性はどのように向上するか？
• RQ3 ランドマークがスパースまたは観測がノイズが多い状況下でも、ソフト制約付きパーティクルフィルタが1m未満の局所化精度を維持できるか、その程度はいかほどか？
• RQ4 既存のSLAMやGPS補助システムに追加として統合可能な汎用的で特徴ベースのナビゲーションフレームワークを設計できるか？
• RQ5 分散重み付きの適応的制約は、固定またはハード制約と比較して、局所化の安定性と誤差低減の面でどのように優れているか？

主な発見

• 本手法は、高GPSノイズ（σv = 10 m）下でのRing Roadテストルートにおいて、平均局所化誤差0.98 m、中央値誤差0.73 mを達成した。
• ソフト制約の追加により、局所化性能が顕著に向上し、わずか数個の検出ランドマークでも、制約なしのパーティクルフィルタと比較して誤差が低減した。
• GPRの入力にインスタンスセグメンテーション特徴を用いることで、遠方または不規則な形状のランドマークに対する距離予測の信頼性が向上した。
• GPRに基づくハイブリッド距離予測器（平均と分散出力を併用）により、不確実性に応じた制約重みの適応的調整が可能となり、ランドマーク距離推定の不確実性に対する耐障害性が向上した。
• ランドマークの可用性が低く、測定ノイズが高い状況下でも、本フレームワークは1m未満の局所化精度（σv = 3 m時、平均誤差0.88 m）を維持した。
• 本手法は、ドリフトを低減し、状態推定を向上させる目的で、既存のナビゲーションシステム（例：SLAM）に追加として統合可能な強力な可能性を示した。