Communication-Efficient Cooperative SLAMMOT via Determining the Number of Collaboration Vehicles

要約

SLAMMOT、つまり、位置特定、マッピング、移動物体 (検出と) 追跡を同時に行うことは、動的環境における自動運転車のための新しいテクノロジーを表しています。
このような単一車両システムには、オクルージョンの問題など、依然として固有の制限があります。
SLAMMOT と急速に進化する協調技術に触発され、自車両や移動体の状態推定を強化するために、協調的な同時位置特定、マッピング、移動体 (検出) 追跡 (C-SLAMMOT) を探求するのは当然のことです。
C-SLAMMOTは、複数の車両間の通信により共有された情報を活用・統合することで、車両単体の性能を大幅に向上させることができます。
これにより、特にコラボレーション ビークルの数が増加するにつれて、パフォーマンスと通信コストの間で基本的なトレードオフが必然的に発生します。
この課題に対処するために、我々はコラボレーション車両の台数を決定することにより、LiDAR ベースの通信効率の高い C-SLAMMOT (CE C-SLAMMOT) 手法を提案します。
CE C-SLAMMOT では、自車両姿勢推定を強化するための記述子ベースの方法と、協調的な物体認識のための空間信頼度マップベースの方法を採用し、対応する重要なコラボレーション車両とインタラクション コンテンツの継続的かつ動的な選択を可能にします。
このアプローチは、すべての車両間で生の観測情報を交換する基本的な方法と比較して、パフォーマンスの向上にほとんどまたはまったく貢献しない可能性がある特定の協力車両からの情報の共有を防ぐことで、貴重な通信コストの無駄を回避します。
さまざまな側面での比較実験により、提案された方法がパフォーマンスと通信コストの間で良好なトレードオフを達成すると同時に、協調知覚パフォーマンスにおいて以前の最先端の方法を上回ることが確認されました。

要約(オリジナル)

The SLAMMOT, i.e. simultaneous localization, mapping, and moving object (detection and) tracking, represents an emerging technology for autonomous vehicles in dynamic environments. Such single-vehicle systems still have inherent limitations, such as occlusion issues. Inspired by SLAMMOT and rapidly evolving cooperative technologies, it is natural to explore cooperative simultaneous localization, mapping, moving object (detection and) tracking (C-SLAMMOT) to enhance state estimation for ego-vehicles and moving objects. C-SLAMMOT could significantly upgrade the single-vehicle performance by utilizing and integrating the shared information through communication among the multiple vehicles. This inevitably leads to a fundamental trade-off between performance and communication cost, especially in a scalable manner as the number of collaboration vehicles increases. To address this challenge, we propose a LiDAR-based communication-efficient C-SLAMMOT (CE C-SLAMMOT) method by determining the number of collaboration vehicles. In CE C-SLAMMOT, we adopt descriptor-based methods for enhancing ego-vehicle pose estimation and spatial confidence map-based methods for cooperative object perception, allowing for the continuous and dynamic selection of the corresponding critical collaboration vehicles and interaction content. This approach avoids the waste of precious communication costs by preventing the sharing of information from certain collaborative vehicles that may contribute little or no performance gain, compared to the baseline method of exchanging raw observation information among all vehicles. Comparative experiments in various aspects have confirmed that the proposed method achieves a good trade-off between performance and communication costs, while also outperforms previous state-of-the-art methods in cooperative perception performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google