Conquering Ghosts: Relation Learning for Information Reliability Representation and End-to-End Robust Navigation

要約

実際の自動運転アプリケーションでは、センサー データのノイズ、さまざまな照明条件、困難な天候、外部からの敵対的摂動などの環境外乱は避けられません。
既存の研究とテストでは、それらが車両の認識能力と性能に深刻な影響を与える可能性があることが示されています。主な問題の 1 つは、偽陽性の検出、つまり、実際には存在しないか、間違った位置に発生するゴーストオブジェクトです (非表示など)。
・現車）。
従来のナビゲーション方法では、検出されたすべてのオブジェクトを安全のために回避する傾向がありますが、ゴーストオブジェクトを回避すると、高速道路での突然の中断など、車両がさらに危険な状況に陥る可能性があります。
さまざまな障害の種類を考慮すると、この問題を知覚面で解決することは困難です。
潜在的な解決策は、シナリオ全体の関係学習を通じてゴーストを検出し、統合されたエンド ツー エンドのナビゲーション システムを開発することです。
私たちの根底にある論理は、シーン内のすべての車両の動作が隣接する車両の影響を受け、通常の車両は論理的に動作するが、ゴースト車両はそうではないというものです。
周囲の車両間の時空間関係を学習することにより、検出された車両ごとに情報の信頼性表現を学習し、ロボット ナビゲーション ネットワークを開発します。
既存の研究とは対照的に、ネットワークが信頼性を表現する方法と、不確実性を含むすべての情報をそれ自体で集約する方法を学習することを奨励し、効率と一般化可能性を高めます。
著者の知る限り、この論文は、グラフ関係学習を使用してゴースト車両の存在下でエンドツーエンドのロバストなナビゲーションを実現する最初の研究を提供します。
CARLA プラットフォームでのシミュレーション結果は、さまざまなシナリオで提案された方法の実現可能性と有効性を示しています。

要約(オリジナル)

Environmental disturbances, such as sensor data noises, various lighting conditions, challenging weathers and external adversarial perturbations, are inevitable in real self-driving applications. Existing researches and testings have shown that they can severely influence the vehicles perception ability and performance, one of the main issue is the false positive detection, i.e., the ghost object which is not real existed or occurs in the wrong position (such as a non-existent vehicle). Traditional navigation methods tend to avoid every detected objects for safety, however, avoiding a ghost object may lead the vehicle into a even more dangerous situation, such as a sudden break on the highway. Considering the various disturbance types, it is difficult to address this issue at the perceptual aspect. A potential solution is to detect the ghost through relation learning among the whole scenario and develop an integrated end-to-end navigation system. Our underlying logic is that the behavior of all vehicles in the scene is influenced by their neighbors, and normal vehicles behave in a logical way, while ghost vehicles do not. By learning the spatio-temporal relation among surrounding vehicles, an information reliability representation is learned for each detected vehicle and then a robot navigation network is developed. In contrast to existing works, we encourage the network to learn how to represent the reliability and how to aggregate all the information with uncertainties by itself, thus increasing the efficiency and generalizability. To the best of the authors knowledge, this paper provides the first work on using graph relation learning to achieve end-to-end robust navigation in the presence of ghost vehicles. Simulation results in the CARLA platform demonstrate the feasibility and effectiveness of the proposed method in various scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google