Uncertainty Quantification of Collaborative Detection for Self-Driving

要約

コネクテッド ビークルと自律型ビークル (CAV) の間で情報を共有することで、自動運転における共同物体検出のパフォーマンスが根本的に向上します。
ただし、CAV には実際的な課題があるため、物体検出にまだ不確実性があります。これは、計画や制御など、自動運転の後のモジュールに影響を与えます。
したがって、不確実性の定量化は、CAV などの安全性が重要なシステムにとって非常に重要です。
私たちの仕事は、共同物体検出の不確実性を推定した最初のものです。
Double-M Quantification と呼ばれる新しい不確実性定量化方法を提案します。これは、境界ボックスの各コーナーの多変量ガウス分布の直接モデリングを使用して、移動ブロック ブートストラップ (MBB) アルゴリズムを調整します。
私たちの方法は、オフラインの Double-M トレーニング プロセスに基づく 1 つの推論パスで、認識論的不確実性と偶然的不確実性の両方をキャプチャします。
また、さまざまな共同オブジェクト検出器で使用できます。
包括的な共同認識データセットの実験を通じて、最新の不確実性定量化方法と比較して、Double-M メソッドが不確実性スコアで 4 倍以上の改善と 3% 以上の精度の改善を達成することを示します。
コードは https://coperception.github.io/double-m-quantification で公開されています。

要約(オリジナル)

Sharing information between connected and autonomous vehicles (CAVs) fundamentally improves the performance of collaborative object detection for self-driving. However, CAVs still have uncertainties on object detection due to practical challenges, which will affect the later modules in self-driving such as planning and control. Hence, uncertainty quantification is crucial for safety-critical systems such as CAVs. Our work is the first to estimate the uncertainty of collaborative object detection. We propose a novel uncertainty quantification method, called Double-M Quantification, which tailors a moving block bootstrap (MBB) algorithm with direct modeling of the multivariant Gaussian distribution of each corner of the bounding box. Our method captures both the epistemic uncertainty and aleatoric uncertainty with one inference pass based on the offline Double-M training process. And it can be used with different collaborative object detectors. Through experiments on the comprehensive collaborative perception dataset, we show that our Double-M method achieves more than 4X improvement on uncertainty score and more than 3% accuracy improvement, compared with the state-of-the-art uncertainty quantification methods. Our code is public on https://coperception.github.io/double-m-quantification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google