Probabilistic Segmentation for Robust Field of View Estimation

要約

センシングと知覚への攻撃は、自律車両（AVS）の安全な展開を脅かします。
セキュリティ認識センサー融合は、脅威を軽減するのに役立ちますが、自律性が評価されていない正確な視野（FOV）推定が必要です。
このギャップに対処するために、古典的なコンピューターグラフィックスアルゴリズムを適応させて、最初の自律性に関連するFOV推定器を開発し、グラウンドトゥルースFOVラベルを使用して最初のデータセットを作成します。
残念ながら、これらのアプローチ自体がセンシングへの攻撃に対して非常に脆弱であることがわかります。
攻撃に対するFOV推定の堅牢性を改善するために、FOV機能をキャプチャし、モンテカルロドロップアウト（MCD）を不確実性の定量化のために統合し、信頼マップで異常検出を実行する学習ベースのセグメンテーションモデルを提案します。
包括的な評価を通じて、環境全体の抵抗と強力な一般化を攻撃することを説明します。
建築貿易研究は、複数のアプリケーションでのリアルタイムの展開にモデルが実行可能であることを示しています。

要約(オリジナル)

Attacks on sensing and perception threaten the safe deployment of autonomous vehicles (AVs). Security-aware sensor fusion helps mitigate threats but requires accurate field of view (FOV) estimation which has not been evaluated autonomy. To address this gap, we adapt classical computer graphics algorithms to develop the first autonomy-relevant FOV estimators and create the first datasets with ground truth FOV labels. Unfortunately, we find that these approaches are themselves highly vulnerable to attacks on sensing. To improve robustness of FOV estimation against attacks, we propose a learning-based segmentation model that captures FOV features, integrates Monte Carlo dropout (MCD) for uncertainty quantification, and performs anomaly detection on confidence maps. We illustrate through comprehensive evaluations attack resistance and strong generalization across environments. Architecture trade studies demonstrate the model is feasible for real-time deployment in multiple applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google