Pushing the Limits of Learning-based Traversability Analysis for Autonomous Driving on CPU

要約

自動運転車や自律型地上ロボットでは、安全なナビゲーションのために、周辺環境のトラバサビリティを信頼性の高い高精度で解析する手法が求められている。本論文では、SVM分類器をベースとしたハイブリッドアプローチにおいて、幾何学的特徴と外観に基づく特徴を組み合わせたリアルタイム機械学習ベースのトラバビリティ解析手法を提案し、評価する。特に、幾何学的特徴と視覚的特徴の新しいセットを統合し、重要な実装の詳細に焦点を当てることで、性能と信頼性を顕著に向上させることができることを示している。提案されたアプローチは、屋外運転シナリオの公開データセットで、最先端のDeep Learningアプローチと比較されました。様々な複雑さのシナリオで89.2%の精度に達し、その有効性と頑健性を実証している。本手法は完全にCPU上で動作し、他の手法に関して同等の結果に達し、より高速に動作し、より少ないハードウェアリソースで動作する。

要約(オリジナル)

Self-driving vehicles and autonomous ground robots require a reliable and accurate method to analyze the traversability of the surrounding environment for safe navigation. This paper proposes and evaluates a real-time machine learning-based Traversability Analysis method that combines geometric features with appearance-based features in a hybrid approach based on a SVM classifier. In particular, we show that integrating a new set of geometric and visual features and focusing on important implementation details enables a noticeable boost in performance and reliability. The proposed approach has been compared with state-of-the-art Deep Learning approaches on a public dataset of outdoor driving scenarios. It reaches an accuracy of 89.2% in scenarios of varying complexity, demonstrating its effectiveness and robustness. The method runs fully on CPU and reaches comparable results with respect to the other methods, operates faster, and requires fewer hardware resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL