[论文解读] Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection

Di Feng, Lars Rosenbaum+1 more|arXiv (Cornell University)|Apr 13, 2018

Autonomous Vehicle Technology and Safety被引用 27

一句话总结

本文提出了一种针对LiDAR点云的3D车辆检测概率神经网络，显式地建模了认知不确定性（模型）和偶然不确定性（观测）。通过使用蒙特卡洛丢弃法估计认知不确定性，以及通过辅助输出层估计偶然不确定性，该方法将检测性能提升了1%–5%，并表明认知不确定性与检测精度相关，而偶然不确定性则随距离和遮挡程度增加而上升。

ABSTRACT

To assure that an autonomous car is driving safely on public roads, its object detection module should not only work correctly, but show its prediction confidence as well. Previous object detectors driven by deep learning do not explicitly model uncertainties in the neural network. We tackle with this problem by presenting practical methods to capture uncertainties in a 3D vehicle detector for Lidar point clouds. The proposed probabilistic detector represents reliable epistemic uncertainty and aleatoric uncertainty in classification and localization tasks. Experimental results show that the epistemic uncertainty is related to the detection accuracy, whereas the aleatoric uncertainty is influenced by vehicle distance and occlusion. The results also show that we can improve the detection performance by 1%-5% by modeling the aleatoric uncertainty.

研究动机与目标

• 解决基于深度学习的3D目标检测器在自动驾驶中缺乏不确定性估计的问题。
• 通过量化模型置信度和传感器噪声，实现安全的自动驾驶。
• 在基于LiDAR的检测中区分认知不确定性（模型局限性）与偶然不确定性（传感器噪声）。
• 通过建模偶然不确定性提升检测鲁棒性，增强在噪声条件下的性能。
• 通过不确定性量化识别不确定预测，支持主动学习和目标跟踪。

提出的方法

• 将3D车辆检测器适配为输出分类和3D边界框回归的预测分布。
• 在测试时使用蒙特卡洛丢弃法，通过多次前向传播估计认知不确定性。
• 引入辅助输出头以预测边界框回归的方差，从而建模偶然不确定性。
• 采用香农熵和互信息量化分类不确定性，采用总方差量化定位不确定性。
• 使用联合优化检测精度和不确定性估计的损失函数进行网络训练。
• 通过皮尔逊相关系数和在距离与遮挡条件下的定性分析验证不确定性估计。

实验结果

研究问题

• RQ1 如何在基于深度学习的3D LiDAR车辆检测器中有效捕捉认知不确定性和偶然不确定性？
• RQ2 认知不确定性与检测精度之间存在何种关系，特别是在分布外或异常物体（如幽灵物体、大型车辆或误分类车辆）的情况下？
• RQ3 检测距离和遮挡如何影响3D边界框预测中的偶然不确定性？
• RQ4 建模偶然不确定性是否能带来可测量的检测性能提升？
• RQ5 不确定性估计如何被用于提升自动驾驶系统中的主动学习或目标跟踪？

主要发现

• 认知不确定性与检测精度相关，对于异常或分布外物体（如幽灵物体、大型车辆或误分类车辆）会增加。
• 偶然不确定性随车辆距离和遮挡程度增加而上升，被遮挡的角落在空间不确定性上始终高于面向前方的角落。
• 距离与偶然不确定性之间的皮尔逊相关系数在x轴达到0.569，y轴为0.412，z轴为0.497，表明存在强烈正相关关系。
• 建模偶然不确定性使检测性能提升1%至5%，证明了对传感器噪声的鲁棒性增强。
• 认知不确定性估计需要多次前向传播（在Titan X GPU上为0.3 fps），因此在实时在线应用中计算成本较高。
• 偶然不确定性可在单次推理中完成计算，因此适用于自动驾驶系统中的在线部署。