Generating Evidential BEV Maps in Continuous Driving Space

要約

自律走行には安全性が重要であり、安全性を向上させる一つの側面として、知覚システムの不確実性、特に未知を知ることを正確に捉えることが挙げられる。知覚シナリオに対して部分的な情報しか提供しない決定論的または確率論的な結果（例えば、確率的物体検出）とは異なり、我々はGevBEVと名付けた完全な確率論的モデルを提案する。これは2次元運転空間を、点ベースの空間ガウス分布を持つ確率的鳥瞰図（BEV）マップとして解釈し、そこから連続運転空間における任意の新しいサンプル点のカテゴリディリクレ分布のパラメータとして証拠を引き出すことができる。実験結果は、GevBEVがより信頼性の高い不確実性定量化を提供するだけでなく、協調的知覚のためのBEVマップ解釈のベンチマークOPV2Vにおいて、先行研究よりも優れた性能を示すことを示している。協調的知覚において重要な要素は、通信路を介したデータ伝送サイズである。GevBEVは、学習した不確実性の中から最も重要な情報のみを選択して共有することで、通信オーバーヘッドを削減し、わずかな性能低下で平均通信情報量を80%削減することに成功しています。

要約(オリジナル)

Safety is critical for autonomous driving, and one aspect of improving safety is to accurately capture the uncertainties of the perception system, especially knowing the unknown. Different from only providing deterministic or probabilistic results, e.g., probabilistic object detection, that only provide partial information for the perception scenario, we propose a complete probabilistic model named GevBEV. It interprets the 2D driving space as a probabilistic Bird’s Eye View (BEV) map with point-based spatial Gaussian distributions, from which one can draw evidence as the parameters for the categorical Dirichlet distribution of any new sample point in the continuous driving space. The experimental results show that GevBEV not only provides more reliable uncertainty quantification but also outperforms the previous works on the benchmark OPV2V of BEV map interpretation for cooperative perception. A critical factor in cooperative perception is the data transmission size through the communication channels. GevBEV helps reduce communication overhead by selecting only the most important information to share from the learned uncertainty, reducing the average information communicated by 80% with a slight performance drop.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL