[论文解读] 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 4

一句话总结

该论文提出了一种基于单目视觉、实例分割和高斯过程回归（GPR）的软约束粒子滤波框架，用于自动驾驶车辆导航，以预测车辆与地标之间的距离。通过利用分割后的地标特征以及基于GPR均值和方差导出的自适应约束，该方法在高GPS噪声（σv = 10 m）条件下仍实现了亚米级定位精度（平均误差0.98 m），表现出在地标稀疏和观测噪声大情况下的鲁棒性。

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.

研究动机与目标

• 在传感器噪声大且地标稀疏的真实环境中，提升基于地图的车辆定位的鲁棒性与精度。
• 通过利用单目视觉中的语义与几何特征，减少对密集或计算成本高的地图的依赖。
• 开发一种通用且可扩展的框架，可作为插件集成到现有导航系统中，以减少漂移。
• 利用实例分割与GPR提升对远距离或形状不规则地标的距离预测能力。
• 设计基于地标距离预测不确定性的自适应软约束，实现动态调整。

提出的方法

• 单目摄像头捕获图像，通过实例分割处理，提取已知地标（如电线杆）的像素级精确掩码。
• 从分割图像中提取的地标特征（如质心、尺寸、形状）被用作混合专家高斯过程回归（GPR）模型的输入。
• GPR模型预测车辆与地标之间距离的均值与方差，实现对不确定性的感知，从而支持软约束。
• 软约束粒子滤波（scPF）将运动学、道路几何、速度及地标距离约束整合到状态估计过程中。
• 通过GPR预测方差自适应加权约束：方差越大，约束影响越小，从而确保对不确定性的鲁棒性。
• 该框架在真实世界中电动班车路线上的数据集上进行了验证，结合GPS、LiDAR与摄像头数据，在概率粒子滤波框架中应用约束。

实验结果

研究问题

• RQ1 在基于单目视觉的导航中，实例分割能否提升车辆与地标之间距离预测的准确性？
• RQ2 将GPR预测的距离不确定性融入软约束后，能否增强在噪声观测下的定位鲁棒性？
• RQ3 当地标稀疏或观测噪声大时，软约束粒子滤波在多大程度上能维持亚米级的定位精度？
• RQ4 能否设计一种通用的、基于特征的导航框架，使其可作为插件与现有SLAM或GPS辅助系统兼容？
• RQ5 与固定或硬性约束相比，基于方差加权的自适应约束在定位稳定性与误差降低方面表现如何？

主要发现

• 在Ring Road测试路线上，该方法在高GPS噪声（σv = 10 m）条件下实现了平均定位误差0.98 m，中位数误差0.73 m。
• 加入软约束后，定位性能显著提升，即使仅检测到少数地标，其误差也低于无约束粒子滤波。
• 在GPR输入中使用实例分割特征显著提高了距离预测的可靠性，尤其对远距离或形状不规则的地标。
• 基于GPR的混合距离预测器（利用均值与方差输出）实现了自适应约束加权，提升了对地标距离估计不确定性的鲁棒性。
• 即使地标可用性低且测量噪声高，该框架仍保持了亚米级定位精度（在σv = 3 m时平均误差为0.88 m）。
• 该方法展现出作为现有导航系统（如SLAM）插件的强潜力，可有效缓解漂移并提升状态估计性能。