Real-Time Environment Condition Classification for Autonomous Vehicles

要約

現在の自動運転技術は、動作時間、エリア、気象条件、道路状況などの動作条件が明確に定義された、地理的に囲まれたエリアで展開されています。
このようにして、悪天候、滑りやすい道路、人口密集した都市中心部などの困難な状況を除外できます。
ジオフェンスによる制限を解除し、自動運転機能をより動的に利用できるようにするには、車両が環境条件の評価をリアルタイムで自律的に実行し、システムが安全に動作できない時期を特定し、動作を停止するか、運転を要求する必要があります。
休んでいる乗客が制御を引き継ぎます。
特に、センサーの性能が急速に低下し、道路標識、歩行者、その他の車両の位置を特定して監視するためのカメラなどのセンサーの使用が禁止されるため、悪天候の課題は根本的な制限となります。
この問題に対処するために、屋外の天候や危険な道路状況を特定するディープラーニング モデルをトレーニングし、新しい状況や環境に迅速に対応できるようにします。
これは、最先端の悪天候データセットに改良された分類法とラベル階層を導入し、新しい半自動ラベル付けパイプラインで再ラベル付けすることで実現します。
新しく提案されたデータセットと階層を使用して、単一の RGB フレームから環境条件を分類するための深層学習モデルである RECNet をトレーニングします。
20 Hz のリアルタイム対応パフォーマンスを維持しながら、F1 スコアでベースライン モデルを相対的に 16% 上回っています。

要約(オリジナル)

Current autonomous driving technologies are being rolled out in geo-fenced areas with well-defined operation conditions such as time of operation, area, weather conditions and road conditions. In this way, challenging conditions as adverse weather, slippery road or densely-populated city centers can be excluded. In order to lift the geo-fenced restriction and allow a more dynamic availability of autonomous driving functions, it is necessary for the vehicle to autonomously perform an environment condition assessment in real time to identify when the system cannot operate safely and either stop operation or require the resting passenger to take control. In particular, adverse-weather challenges are a fundamental limitation as sensor performance degenerates quickly, prohibiting the use of sensors such as cameras to locate and monitor road signs, pedestrians or other vehicles. To address this issue, we train a deep learning model to identify outdoor weather and dangerous road conditions, enabling a quick reaction to new situations and environments. We achieve this by introducing an improved taxonomy and label hierarchy for a state-of-the-art adverse-weather dataset, relabelling it with a novel semi-automated labeling pipeline. Using the novel proposed dataset and hierarchy, we train RECNet, a deep learning model for the classification of environment conditions from a single RGB frame. We outperform baseline models by relative 16% in F1- Score, while maintaining a real-time capable performance of 20 Hz.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google