Self-Supervised Traversability Prediction by Learning to Reconstruct Safe Terrain

要約

高速の自動運転車でオフロードをナビゲートするには、通過可能な地形と通過できない地形を区別する堅牢な認識システムが必要です。
通常、これは人間の専門家によって注釈が付けられた画像からの教師あり学習に基づく意味理解に依存します。
これには、人間の時間への多大な投資が必要であり、専門家による正しい分類を前提としているため、細部が誤分類につながる可能性があります。
これらの課題に対処するために、自己監視型の方法で過去の車両経験のみからリスクの高い地形と低い地形を予測する方法を提案します。
まず、車両の軌跡をフロント カメラ画像に投影するツールを開発します。
次に、地形の 3D 表現のオクルージョンが除外されます。
第 3 に、マスクされた車両の軌跡領域でトレーニングされたオートエンコーダーは、再構成エラーに基づいてリスクの低い地形とリスクの高い地形を識別します。
四輪オフロード車を使用した 2 つの異なるトレーニングおよびテスト サイトで、2 つのモデルと異なるボトルネック サイズを使用して、アプローチを評価しました。
トレーニング サイトと同様の地形からのセマンティック ラベルの 2 つの独立したテスト セットとの比較は、81.1% と 85.1% の精度で地面を低リスクとして、植生を高リスクとして分離する能力を示しています。

要約(オリジナル)

Navigating off-road with a fast autonomous vehicle depends on a robust perception system that differentiates traversable from non-traversable terrain. Typically, this depends on a semantic understanding which is based on supervised learning from images annotated by a human expert. This requires a significant investment in human time, assumes correct expert classification, and small details can lead to misclassification. To address these challenges, we propose a method for predicting high- and low-risk terrains from only past vehicle experience in a self-supervised fashion. First, we develop a tool that projects the vehicle trajectory into the front camera image. Second, occlusions in the 3D representation of the terrain are filtered out. Third, an autoencoder trained on masked vehicle trajectory regions identifies low- and high-risk terrains based on the reconstruction error. We evaluated our approach with two models and different bottleneck sizes with two different training and testing sites with a fourwheeled off-road vehicle. Comparison with two independent test sets of semantic labels from similar terrain as training sites demonstrates the ability to separate the ground as low-risk and the vegetation as high-risk with 81.1% and 85.1% accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google