Autonomous Driving with a Deep Dual-Model Solution for Steering and Braking Control

要約

自動運転技術は現在、研究と産業界の両方で大きな関心を集めています。
この論文では、自動運転車のブレーキとステアリングを組み合わせて 2 つのディープ ニューラル ネットワークを使用するディープラーニング デュアルモデル ソリューションを紹介します。
ステアリング制御は、NVIDIA の PilotNet モデルを適用してステアリング ホイール角度を予測することによって実現され、ブレーキ制御は MobileNet SSD の使用に依存します。
どちらのモデルも、画像入力には単一の前面カメラに依存します。
MobileNet SSD モデルはリソースが限られたデバイスに適していますが、PilotNet はリソースが限られた小型デバイスで効率的に動作するのが困難です。
このような機器に適したものとなるよう、PilotNet モデルを独自のネットワーク設計で修正し、モデルのパラメータ数とメモリ使用量を約 60% 削減しました。
推論の待ち時間も短縮され、モデルはリソースに制約のあるデバイスでの動作により適したものになりました。
変更された PilotNet モデルは、元の PilotNet モデルと比較して同様の損失と精度を達成します。
シミュレートされた環境で評価すると、どちらの自動運転システムも、1 つは修正された PilotNet モデルを使用し、もう 1 つはステアリングに元の PilotNet モデルを使用し、同様のレベルの自動運転性能を示しました。

要約(オリジナル)

The technology of autonomous driving is currently attracting a great deal of interest in both research and industry. In this paper, we present a deep learning dual-model solution that uses two deep neural networks for combined braking and steering in autonomous vehicles. Steering control is achieved by applying the NVIDIA’s PilotNet model to predict the steering wheel angle, while braking control relies on the use of MobileNet SSD. Both models rely on a single front-facing camera for image input. The MobileNet SSD model is suitable for devices with constrained resources, whereas PilotNet struggles to operate efficiently on smaller devices with limited resources. To make it suitable for such devices, we modified the PilotNet model using our own original network design and reduced the number of model parameters and its memory footprint by approximately 60%. The inference latency has also been reduced, making the model more suitable to operate on resource-constrained devices. The modified PilotNet model achieves similar loss and accuracy compared to the original PilotNet model. When evaluated in a simulated environment, both autonomous driving systems, one using the modified PilotNet model and the other using the original PilotNet model for steering, show similar levels of autonomous driving performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google