UAP-BEV: Uncertainty Aware Planning using Bird’s Eye View generated from Surround Monocular Images

要約

自動運転には、生のセンサーデータから物体の位置を正確に推論する必要があります。
最近のエンドツーエンド学習方法は、生のセンサー データから、解釈可能な中間表現としての Bird’s Eye View(BEV) セグメンテーションを介した軌跡出力に移行します。
Birds Eye View (BEV) セグメンテーションによって生成されたコスト マップに基づいた動作計画が、自動運転における顕著なアプローチとして浮上しています。
しかし、現在のアプローチには 2 つの重大なギャップがあります。
まず、最適化プロセスは単純化されており、コスト マップ上で固定された一連の軌跡を評価するだけです。
軌道サンプルは、関連するコスト値に基づいて調整されません。
第 2 に、既存のコスト マップでは、RGB 画像のノイズや BEV アノテーションによって生じる可能性のあるコスト マップの不確実性が考慮されていません。
その結果、これらのアプローチは、近隣の車両からの突然の割り込み、停止、追い越し、合流などがある困難なシナリオでは困難になる可能性があります。
この論文では、UAP-BEV を提案します。これは、不確実性を考慮した占有グリッド マップを作成するために、時空間 BEV 予測のノイズをモデル化する新しいアプローチです。
最も近い占有セルまでの距離のクエリを使用して、自車両の衝突確率のサンプル推定値を取得します。
その後、私たちのアプローチでは、勾配のないサンプリングベースの最適化を使用して、コスト マップ上で低コストの軌道を計算します。
重要なのは、サンプリング分布は、サンプリングされた軌跡の最適コスト値に基づいて適応されることです。
BEV 空間で確率的衝突回避を明示的にモデル化することにより、私たちのアプローチは、衝突回避、ルートの完了、完了までの時間、および滑らかさの点でコストマップベースのベースラインを上回ることができます。
私たちの方法をさらに検証するために、現実世界のデータセット NuScenes での結果も示し、衝突回避と滑らかさの改善を報告します。

要約(オリジナル)

Autonomous driving requires accurate reasoning of the location of objects from raw sensor data. Recent end-to-end learning methods go from raw sensor data to a trajectory output via Bird’s Eye View(BEV) segmentation as an interpretable intermediate representation. Motion planning over cost maps generated via Birds Eye View (BEV) segmentation has emerged as a prominent approach in autonomous driving. However, the current approaches have two critical gaps. First, the optimization process is simplistic and involves just evaluating a fixed set of trajectories over the cost map. The trajectory samples are not adapted based on their associated cost values. Second, the existing cost maps do not account for the uncertainty in the cost maps that can arise due to noise in RGB images, and BEV annotations. As a result, these approaches can struggle in challenging scenarios where there is abrupt cut-in, stopping, overtaking, merging, etc from the neighboring vehicles. In this paper, we propose UAP-BEV: A novel approach that models the noise in Spatio-Temporal BEV predictions to create an uncertainty-aware occupancy grid map. Using queries of the distance to the closest occupied cell, we obtain a sample estimate of the collision probability of the ego-vehicle. Subsequently, our approach uses gradient-free sampling-based optimization to compute low-cost trajectories over the cost map. Importantly, the sampling distribution is adapted based on the optimal cost values of the sampled trajectories. By explicitly modeling probabilistic collision avoidance in the BEV space, our approach is able to outperform the cost-map-based baselines in collision avoidance, route completion, time to completion, and smoothness. To further validate our method, we also show results on the real-world dataset NuScenes, where we report improvements in collision avoidance and smoothness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google