[論文レビュー] Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras

Nivedita Tripathi, Senthil Yogamani|arXiv (Cornell University)|Jan 7, 2020

Robotics and Sensor-Based Localization参考文献 23被引用数 6

ひとこと要約

本論文では、周辺視野魚眼カメラを用いたビジュアルSLAMを活用したトレーニングトラジェクトリを用いた自動パーキングシステムを提案する。このシステムにより、自宅やオフィスの駐車場など頻繁に訪れる場所において、車両が自律的かつ再局在可能に駐車できる。トレーニング段階では恒久的マップ作成のためのVSLAMパイプラインを、再再生段階では強固な再局在化を実現する。様々な照明、天候、構造的変化の下でも平均92.5％の再局在化率を達成した。

ABSTRACT

Automated Parking is becoming a standard feature in modern vehicles. Existing parking systems build a local map to be able to plan for maneuvering towards a detected slot. Next generation parking systems have an use case where they build a persistent map of the environment where the car is frequently parked, say for example, home parking or office parking. The pre-built map helps in re-localizing the vehicle better when its trying to park the next time. This is achieved by augmenting the parking system with a Visual SLAM pipeline and the feature is called trained trajectory parking in the automotive industry. In this paper, we discuss the use cases, design and implementation of a trained trajectory automated parking system. The proposed system is deployed on commercial vehicles and the consumer application is illustrated in \url{https://youtu.be/nRWF5KhyJZU}. The focus of this paper is on the application and the details of vision algorithms are kept at high level.

研究の動機と目的

• 自宅の駐車場やオフィスの駐車スペースなど、頻繁に訪れるプライベートな場所における自動パーキングを、オンボードマップ作成と再局在化機能を用いて実現すること。
• GPSが信頼できない非構造的かつ商業的にマップ化されていない環境において、恒久的な局在化を実現する課題に取り組むこと。
• 低速駐車シーンに特化した周辺視野魚眼カメラ向けに最適化された、強固なビジュアルSLAMパイプラインの開発。
• 埋め込み自動車システムにおける照度変化、センサーノイズ、スケールドリフトといった実装上の課題を克服すること。
• 実世界の商用車両を用いた実データセットと動画デモを用いて、トレーニングトラジェクトリパーキングの実用的妥当性を実証すること。

提案手法

• 本システムは2段階のプロセスで動作する。トレーニング段階では、4台の190° FOV魚眼カメラを用いて車両の軌道と視覚特徴を記録し、再再生段階では記録済みマップを用いて車両を再局在化する。
• 両段階でビジュアルSLAMが使用され、6自由度の車両ポーズ推定が行われ、特徴ベースのトラッキングとグローバルバンドル調整によるマップ最適化が実施される。
• 初期ポーズ推定とグランドトゥルースアノテーションのため、GNSSとIMUデータを融合し、ノイズと外れ値を低減するフィルタリング処理を実施。
• 周囲の物体（例：フェンス、標識、壁）からのスパarsな視覚特徴を抽出し、フレーム間で一致させることで再局在化を実現。
• ローリングシャッターエフェクトの補正と、複数のカメラ間のメトリック距離を用いたスケールのあいまいさの解消が実施される。
• クラウド依存なしに埋め込み自動車ハードウェアに統合された包括的なVSLAMフレームワークを導入し、リアルタイム性能と恒久的マップ作成を両立。

実験結果

リサーチクエスチョン

• RQ1 GPSや事前マップインfraなしに、以前に訪れたプライベート駐車エリアで車両が信頼性高く再局在化できるか。
• RQ2 照度変化や構造的変化が生じる低速駐車シーンにおいて、魚眼カメラにビジュアルSLAMを実装するにあたり、主な課題は何か。
• RQ3 特徴ベースのビジュアルSLAMパイプラインは、1日中の異なる時間帯や天候条件下でも一貫した再局在化精度を維持できるか。
• RQ4 特に初期化、スケールドリフト、動的シーンの変化を考慮した場合、埋め込み自動車システムにおけるオンボードビジュアルSLAMの実用的限界は何か。
• RQ5 トレーニングトラジェクトリシステムは、最小限の人的介入で実世界の駐車シーンにおいて高い再局在化精度を達成できるか。

主な発見

• 本システムは、位置誤差0.05m以内かつ方位角誤差2°以内の許容範囲内でのポーズ推定を満たす、多様なテストシーンで平均92.5％の再局在化率を達成した。
• 照度変化と横方向オフセットの変動が顕著に現れたScene6は、最低の再局在化率（85.7％）を示し、環境変化への感受性が顕著に現れた。
• 複雑なオフィス駐車場と狭い自宅駐車場の両方で、車両の再局在化に成功し、さまざまな駐車環境における耐障害性を示した。
• トレーニング段階の最後に実施されるグローバルバンドル調整には一時的な待機時間が発生し、マップ精度とリアルタイム性のトレードオフが示された。
• 照度と天候の変化が性能に顕著に悪影響を及ぼし、特にトレーニング時と再再生時の条件が異なる場合に顕著に低下した。これにより、特徴の耐障害性向上の必要性が示された。
• クラウドインfraがないため、車両の埋め込みシステム上で完全なマップ作成と最適化が実施され、トレーニング後のマップ生成に要する時間が延長された。