Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
完全自動運転実現のための信頼度付き自己位置推定の提案
- 1. 完全自動運転実現のための 信頼度付き自己位置推定の提案 赤井直紀1, 平山高嗣2, 村瀬洋1 1 名古屋大学大学院 情報学研究科 2 名古屋大学 未来社会創造機構 SS07-08 SSI2019@千葉大学
- 2. 過去の我々の研究 ⚫高精度位置推定に基づく一般公道での自動運転 1. N. Akai et al., “Autonomous driving based on accurate localization using multilayer LiDAR and dead reckoning,” In Proc. of the IEEE ITSC, 2017. 動画 https://www.yout ube.com/watch?v =9VQRaOsIxmU
- 4. 位置推定の重要性 ⚫複雑環境下での自動走行における位置推定の重要性 ⚫位置推定により他のタスクの劇的な簡略化が可能 2. E. Takeuchi et al., “A 3-d scan matching using improved 3-d normal distributions transform for robotic mapping,” In Proc. of the IEEE/RSJ IROS, 2006. 3. N. Akai et al., “Robust localization using 3D NDT scan matching with experimentally determined uncertainty and road marker matching,” In Proc. of the IEEE IV, 2017 (Oral presentation).
- 5. 位置推定の課題と現状の対策 ⚫ 課題 • 位置推定結果の正誤を保証する術がない • 環境の動的変化のモデル化が不可能に近い※ ⚫ 現状の対策 • 位置推定は常に正しいと仮定（現状はほぼこれ） • 観測数を増やして多数決的に正しそうな解を取得 • 冗長的な位置推定系を組み経験的閾値を導入 4. N. Akai et al., “Mobile robot localization considering class of sensor observations,” In Proc. of the IEEE/RSJ IROS, pp. 3159-3166, 2018.
- 6. 課題が発生する理由 ⚫位置推定の簡単な流れ 1. センサ観測 zt と地図 m の間で対応を求める 2. 対応を基に誤差を最小化（or 尤度を最大化） Cost(xt, zt, m) xtO GTxt GTxt INIxt INIxt Real zt m Map
- 7. 課題が発生する理由 ⚫位置推定の簡単な流れ 1. センサ観測 zt と地図 m の間で対応を求める 2. 対応を基に誤差を最小化（or 尤度を最大化） xtO Cost(xt, zt, m) GTxt GTxt INIxt INIxt Real zt m Map
- 8. 課題と研究目的 ⚫「位置推定」の結果とは • 推定結果はただの最適（or 局所最適）解 • 最適解時のコスト値などは経験的指標でしかない （誤マッチングの識別ができていないため※） • 車両は推定結果の正誤を認識していない 客観的に位置推定の正誤を説明できる パラメータを車両自身に認識させる 5. N. Akai et al., “Misalignment recognition using Markov random fields with fully connected latent variables for detecting localization failures,” IEEE Robotics and Automation Letters, 4(4), pp. 3955-3962, 2019.
- 9. アプローチ ⚫位置推定プロセス外からの正誤判断を導入 • 人間から見れば誤マッチングの認識は容易 • スキャンと地図のずれを識別すれば良い • 深層学習を用いて位置推定正誤判断を識別 ⚫機械学習の出力が常に正しいとは限らない（重要） • 機械学習の出力は新たな可観測変数であると仮定 • 深層学習の出力から推定結果の信頼度を推定 • 位置と信頼度の同時推定問題としての定式化
- 10. 位置推定における正誤と信頼度 ⚫真値と推定値の間の誤差に閾値（領域）を設定 • 位置誤差50㎝，角度誤差3度を超えた場合が失敗 （閾値の設定に関しては考慮の余地あり） ⚫信頼度（reliability）の定義 • 正しい性能で機能できている確率（工学的に） • 推定誤差が上記閾値以内に含まれる確率 = 信頼度 （当然推定時には真値はわからない）
- 11. 位置推定の正誤の学習 ⚫2次元の位置推定問題を対象とする • シミュレーションを用いて学習データを作成 • 推定成功時1，失敗時0のラベルを付与 • 0から1の連続値を回帰するCNN※を作成 ※ CNN：Convolutional Neural Network（畳み込みニューラルネットワーク）
- 13. 位置推定の正誤の学習 ⚫推定正誤の識別性能 • 3種類の入力デー タを比較（省略） • ROC曲線で検証 • 識別性能は約9割 （正方形で完璧） • 高い識別性能だが 完全ではない
- 19. 同時推定の利点 ⚫通常の位置推定のみのParticle Filterとの違い ⚫新たに加わる式の効果 • 信頼度と正誤判断の矛盾がある場合に尤度が低下 • CNNのノイジーな出力の影響を低減する効果 （通常）
- 25. 性能の一例（車両での実機実験） ⚫時速約50㎞に対応可能に（入力データの改善による※） 6. N. Akai et al., “Simultaneous pose and reliability estimation using convolutional neural network and Rao- Blackwellized particle filter,” Advanced Robotics, 2018. ※今回の発表は以前提案した方法の拡張版（計算速度の高速化）． 動画 https://www.youtube .com/watch?v=dQ2 4tN9gVZY&t=24s
- 27. まとめと今後の課題 ⚫まとめ • 推定結果の正誤を説明する信頼度の推定法を提案 • CNNによる推定正誤判断を可観測変数として利用 • 位置と信頼度を同時推定する問題として定式化 • 信頼度の性能を実験を通して検証 ⚫今後の課題 • CNNを用いない推定正誤判断モデルの検討 • 3次元位置推定問題への拡張