Learning Off-Road Terrain Traversability with Self-Supervisions Only

要約

オフロード環境での自動運転では、地形の通過可能性の推定は、さまざまな条件において信頼性が高く、正確である必要があります。
ただし、学習ベースのアプローチでは、なじみのないコンテキストに直面した場合に信頼性の低い結果が得られることが多く、新しい状況に対して手動で注釈を頻繁に取得するのは困難です。
この論文では、自己監視のみを利用し、手動ラベルを使用せず、画像から可逆性を学習する方法を紹介します。これにより、新しい状況での可逆性を簡単に学習できるようになります。
この目的を達成するために、まず、車両が通過した領域を高度に通過可能であるとラベル付けすることにより、過去の運転軌跡から自己監視型通過可能性ラベルを生成します。
次に、自己教師ありラベルを使用して、1 クラス分類アルゴリズムを使用して画像から安全に横断できる地形を識別するニューラル ネットワークをトレーニングします。
さらに、視覚表現の自己教師あり学習の方法を組み込むことで、自己教師ありラベルの制限を補います。
総合的な評価を行うために、さまざまな運転環境や知覚条件でデータを収集し、さまざまな環境において私たちの手法が信頼性の高い推定を生成することを示します。
さらに、実験結果は、私たちの方法が他の自己教師あり通過可能性推定方法よりも優れており、手動でラベル付けされたデータでトレーニングされた教師あり学習方法と同等のパフォーマンスを達成することを検証します。

要約(オリジナル)

Estimating the traversability of terrain should be reliable and accurate in diverse conditions for autonomous driving in off-road environments. However, learning-based approaches often yield unreliable results when confronted with unfamiliar contexts, and it is challenging to obtain manual annotations frequently for new circumstances. In this paper, we introduce a method for learning traversability from images that utilizes only self-supervision and no manual labels, enabling it to easily learn traversability in new circumstances. To this end, we first generate self-supervised traversability labels from past driving trajectories by labeling regions traversed by the vehicle as highly traversable. Using the self-supervised labels, we then train a neural network that identifies terrains that are safe to traverse from an image using a one-class classification algorithm. Additionally, we supplement the limitations of self-supervised labels by incorporating methods of self-supervised learning of visual representations. To conduct a comprehensive evaluation, we collect data in a variety of driving environments and perceptual conditions and show that our method produces reliable estimations in various environments. In addition, the experimental results validate that our method outperforms other self-supervised traversability estimation methods and achieves comparable performances with supervised learning methods trained on manually labeled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google