Self-Supervised 3D Traversability Estimation with Proxy Bank Guidance

要約

オフロード環境での移動ロボットの通過可能性推定には、オンロード条件のような制約のある環境で使用される従来のセマンティック セグメンテーション以上のものが必要です。
最近では、過去の運転経験から自己監視型の方法で通過可能性の推定を学習するアプローチが登場しています。これは、人間のラベル付けコストとラベル付けエラーを大幅に削減できるためです。
ただし、自己教師ありデータは、実際に通過した領域の監視のみを提供し、否定的な情報の不足に応じて認識論的不確実性を誘発します。
データのログ記録中にシステムが深刻な損傷を受ける可能性があるため、負のデータが収集されることはめったにありません。
不確実性を軽減するために、セマンティックセグメンテーションとトラバーサビリティ回帰を使用して共同で学習する不確実性を活用するために、ラベル付けされていないデータをいくつかの肯定的および否定的なプロトタイプに組み込む深いメトリック学習ベースの方法を導入します。
提案されたフレームワークをしっかりと評価するために、セグメンテーションと回帰を総合的に評価する新しい評価指標を導入します。
さらに、さまざまな負のデータで構成される移動ロボット プラットフォームを使用して、オフロード環境での運転データセット「Dtrail」を構築します。
Dtrail と公開されている SemanticKITTI データセットでメソッドを調べます。

要約(オリジナル)

Traversability estimation for mobile robots in off-road environments requires more than conventional semantic segmentation used in constrained environments like on-road conditions. Recently, approaches to learning a traversability estimation from past driving experiences in a self-supervised manner are arising as they can significantly reduce human labeling costs and labeling errors. However, the self-supervised data only provide supervision for the actually traversed regions, inducing epistemic uncertainty according to the scarcity of negative information. Negative data are rarely harvested as the system can be severely damaged while logging the data. To mitigate the uncertainty, we introduce a deep metric learning-based method to incorporate unlabeled data with a few positive and negative prototypes in order to leverage the uncertainty, which jointly learns using semantic segmentation and traversability regression. To firmly evaluate the proposed framework, we introduce a new evaluation metric that comprehensively evaluates the segmentation and regression. Additionally, we construct a driving dataset `Dtrail’ in off-road environments with a mobile robot platform, which is composed of a wide variety of negative data. We examine our method on Dtrail as well as the publicly available SemanticKITTI dataset.

arxiv情報

著者 Jihwan Bae,Junwon Seo,Taekyung Kim,Hae-gon Jeon,Kiho Kwak,Inwook Shim
発行日 2022-12-20 14:22:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク