USC: Uncompromising Spatial Constraints for Safety-Oriented 3D Object Detectors in Autonomous Driving

要約

私たちは、自動運転のコンテキストにおける 3D 物体検出器の安全性を重視したパフォーマンスを検討します。
具体的には、大量の文献で示されている素晴らしい結果にもかかわらず、開発者はこれらの学習ベースの知覚モデルの安全な展開を確保することが難しいと感じることがよくあります。
この課題は安全志向の指標の欠如にあるとして、私たちはここで妥協のない空間制約 (USC) を提示します。USC は、自動運転車から見たときに物体を完全にカバーする予測を要求する、シンプルだが重要な位置特定要件を特徴づけます。
遠近法と鳥瞰図を使用して定式化するときの制約は、より高いスコアを持つ物体検出器を持つことは衝突のリスクが低いことを意味するなど、定量的な尺度によって自然に反映されます。
最後に、モデルの評価を超えて、定量的な尺度を共通の損失関数に組み込んで、既存のモデルの安全性を重視した微調整を可能にします。
nuScenes データセットと閉ループ シミュレーションを使用した実験により、私たちの研究は、知覚レベルでの安全概念の考慮が精度を超えてモデルのパフォーマンスを向上させるだけでなく、実際のシステムの安全性とより直接的に結び付くことを可能にすることを実証しました。

要約(オリジナル)

We consider the safety-oriented performance of 3D object detectors in autonomous driving contexts. Specifically, despite impressive results shown by the mass literature, developers often find it hard to ensure the safe deployment of these learning-based perception models. Attributing the challenge to the lack of safety-oriented metrics, we hereby present uncompromising spatial constraints (USC), which characterize a simple yet important localization requirement demanding the predictions to fully cover the objects when seen from the autonomous vehicle. The constraints, as we formulate using the perspective and bird’s-eye views, can be naturally reflected by quantitative measures, such that having an object detector with a higher score implies a lower risk of collision. Finally, beyond model evaluation, we incorporate the quantitative measures into common loss functions to enable safety-oriented fine-tuning for existing models. With experiments using the nuScenes dataset and a closed-loop simulation, our work demonstrates such considerations of safety notions at the perception level not only improve model performances beyond accuracy but also allow for a more direct linkage to actual system safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google