(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1

Size: px

Start display at page:

Download "(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1"

えいしろうおいもり
5 years ago
Views:

1 一般社団法人電子情報通信学会 THE INSTITUTE OF ELECTRONICS, 社団法人電子情報通信学会 INFORMATION AND COMMUNICATION ENGINEERS 信学技報 IEICE Technical Report PRMU ( ) 信学技報 TECHNICAL REPORT OF IEICE. THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS 自己状態を付与した CNN による自動運転制御の高精度化村瀬卓也平川翼山下隆義藤吉弘亘中部大学愛知県春日井市松本町あらまし自動車の自動運転制御は人間が運転するときに行う道路環境の認知状況の判断車両操作の制御をすべて機械が行うことである深層学習によりカメラ映像のみを入力とし車両制御信号を出力する研究が行われ自動運転を実現しているしかし制御対象自体の状態を把握することができないため安定した運転制御を行うことが難しい場合があるという問題がある本稿では車載カメラ映像に加えて車体速度を自己状態として付与することで自動運転制御の精度向上を図るまた車体速度情報を追加する層を変化させた場合やスロットルとステアリングを独立に学習させた場合の運転制御にどのような影響があるかを報告するキーワード自動運転制御, 畳み込みニューラルネットワーク車体速度 1. はじめにトルはアクセルやブレーキと置き換えることもでき車両の移動速度を制御する前述の CNN を用いた車両制御法ではステ現在自動車の自動運転技術の開発は世界中で広く行われてアリングのみを自動で制御しておりスロットルの出力は一定いるフランスでは自動運転の電動バスを開発する Navya に保ったまま走行実験を行っているこの理由として CNN をがパリのビジネス街であるラデファンス地区において無用いた場合映像を 1 フレームずつ独立して入力するため制人運転シャトルバスの試験運行を開始した [1] 最大 15 人が乗御対象自体の状態すなわち車両速度を表現することが難しい車可能な小型バスをシャトルサービスとして運行しているドことが挙げられるこの問題を解決するために Xu ら [10] はイツではアウディが世界で初めて人の代わりに車が運転を担 Long Short-Term Memory (LSTM) を用いた手法を提案してう自動運転車 A8 を発売すると発表した中央分離帯のある高いるこの手法では LSTM に CNN で抽出した特徴を入力す速道路を時速 60 キロメートル以下で走行している場合のみ全ることで過去のフレームの情報を考慮しながら現在の車両速ての操作をシステムが実施し運転手は運転以外の作業をする度を推定するしかしこの方法では学習時と評価時のフレー事が可能であるこのように限定的な環境下では自動運転制ムレートが異る場合にはうまく動作せず過去のフレームを使御が実用化され始めているしかし任意の環境下での自動制用することから計算コストが増加することからリアルタイムで御を行うためには周囲の環境を自動で取得理解する必要があの車両制御が難しいという問題があるる周囲の情報を取得するには車載カメラミリ波レーダーそこで本研究では CNN を用いて抽出した車載カメラ映像の Light Detection and Ranging (LIDAR) などを用いる方法が特徴量に加え車体速度を自己状態として付与することでスある中でも車載カメラは他の計測デバイスよりも安価であるテアリング及びスロットルの同時制御を行うこれにより制ことから多くの車両に設置されている車載カメラの普及と機御対象の車両速度を把握することが可能となり LSTM のよう械学習技術の発展に伴い車載カメラ映像を用いた画像認識技にフレームレートに影響されずに様々な環境下で状況に応じた術の開発が盛んに行われている例えば歩行者検出 [2] [3] [4] スロットルの制御が実現可能となるまたステアリングとス白線検出 [5] [6] セマンティックセグメンテーション [7] [8] なロットルの異なる 2 つの要素を効率的に学習するために独立どが挙げられるして学習をした場合の誤差や精度の変化についても報告するこのような車載カメラ映像から車両の周囲環境を理解する研究だけでなく映像から直接車両の制御を行う研究も行わ 2. 関連研究れている [9] この手法では車両の前方を車載カメラで撮影従来の自動運転制御システムは物体認識技術を用いた自動した車両前方の映像を Convolutional Neural Network (CNN) 運転制御と End-to-End による自動運転制御に分類できる本に入力するそして車両前方の映像から車両が走行するべき章ではこれらの代表的な手法について述べる車道や領域を CNN により暗に推定しその領域を走行するた 2. 1 物体認識技術を用いた自動運転制御めのステアリングの角度を出力することで適切な位置での自金沢大学で開発されている自動運転制御システム [12] は動走行を可能にしているしかし車両の運転制御はステアリ白線や車両周辺の障害物をセンサで検出し自動運転を行うングのみだけでなくスロットルも重要な要素であるスロッ認識 (Perception) パスプランニング (Path Planning) 制御 This article is a technical report without peer review, and its polished and/or extended version may be published elsewhere. Copyright 2017 by IEICE

2 (a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1 CNN CNN CNN CNN Convolutional Neural Network CNN 3 1 Leaky Rectified Linear Unit (Leaky ReLU) Leaky ReLU (1) v v 0 v α α 0.01 v (v > 0) (1) αv (v <= 0)

3 3 CNN 1 CNN Layer 1 : : Leaky ReLU stride : 2 2 : : Leaky ReLU stride : 2 3 : : Leaky ReLU stride : 2 4 : : Leaky ReLU 5 : : Leaky ReLU 1 : 1000 : Leaky ReLU dropout : : 100 : Leaky ReLU dropout : concat : : 10 : Leaky ReLU : RMSProp+Graves CNN (2) N E = r n y n 2 (2) n=1 r n y n CNN N CNN (2) Grand Theft Auto V (GTAV) [16] GTAV 126 GTAV GTAV

2 [%] RGB 90.0 80.0 80.0 80.0 81.8 75.0 96.6 96.6 86.6 90.

0 76.6 76.6 76.6 79.0 90.0 100.0 100.0 93.3 96.3 +RGB 90.

0 5 (a) (b) autonomy = (1 (interventions6seconds )100 (3)

2 5 Linux Windows GTAV Windows Linux Virtual Network

4 2 [%] RGB YUV RGB (a) (b) autonomy = (1 (interventions6seconds )100 (3) elapsed time (c) (d) 4 GTAV Linux Windows GTAV Windows Linux Virtual Network Computing (VNC) Linux Windows GTAV GTAV Windows GTAV VNC vjoy GTAV OS GTAV 4. 3 [9] interventions elapsed time (s) (s) RGB YUV +RGB [pix.] [pix.] %

3 [%] YUV FC1 80.0 76.6 73.3 73.3 76.3 70.0 86.6 86.6 83.3 82.7 FC2 90.0 90.0 90.0 86.6 89.

3 80.0 83.3 81.8 80.0 86.6 86.6 83.3 84.5 FC1 80.0 73.3 70.0 73.3 73.6 80.0 90.0 86.6 86.6 86.3 FC2 90.

0 100 93.3 97.2 80.0 83.3 83.3 83.3 82.7 85.0 90.0 90.0 83.3 87.2 YUV 4. 5 4. 5. 1 1 2 3 YUV 4.

5 3 [%] YUV FC FC FC FC FC FC YUV YUV YUV (a) (b) (c) (d) CNN 3 YUV

6 4 [%] (a) 7 (b) 5. CNN [1] Navya100 % AUTONOMOUS, DRIVERLESS AND ELECTRIC [ ) [2] Yonglong TianPing LuoXiaogang Wang et al. Pedestrian Detection aided by Deep Learning Semantic Tasks In CVPRarXiv preprint arxiv: v12014 [3] Jan HosangMohamed OmranRodrigo Benenson et al. Taking a Deeper Look at Pedestrians In CVPRarXiv preprint arxiv: v12015 [4] Yanwu XuDong XuStephen Lin et al. Detection of Sudden Pedestrian Crossings for Driving Assistance System Vol.42No.3pp [5] Mohamed Aly Real time Detection of Lane Markers in Urban Streets In CVPRarXiv preprint arxiv: v [6] Clemens-Alexander BrustSven SickertMarcel Simon et al. Convolutional Patch Networks with Spatial Prior for Road Detection and Urban Scene Understanding In CVPRarXiv preprint arxiv: v12015 [7] Mennatullah SiamSara ElkerdawyMartin Jagersand et al. Deep Semantic Segmentation for Automated Driving: TaxonomyRoadmap and Challenges In CVPRarXiv preprint arxiv: v22017 [8] Sebastian RamosStefan GehrigPeter Pinggera et al. Detecting Unexpected Obstacles for Self-Driving Cars: Fusing Deep Learning and Geometric Modeling In CVPRarXiv preprint arxiv: v12016 [9] Mariusz Bojarski, Davide Del Testa, Daniel Dworakowski et al. End to End Learning for Self-Driving Cars In CVPR arxiv preprint arxiv: v12016 [10] Huazhe XuYang GaoFisher Yuand Trevor Darrell End-to-end Learning of Driving Models from Large-scale Video Datasets In CVPRarXiv preprint arxiv: v22017 [11] Chenyi ChenAri SeffAlain Kornhauser et al. Deep- Driving: Learning Affordance for Direct Perception in Autonomous Driving In ICCVarXiv preprint arxiv: v [12] Vol.2014-CVIM-192No.3 pp [13] No pp [14] GNSS/INS Vol.42No.5 pp [15] No.16-12pp [16] Rockstar GamesGrand Theft Auto V [ )

特別寄稿.indd

特別寄稿.indd 特別寄稿ソフトインフラとしてのデジタル地図を活用した自動運転システム Autonomous vehicle using digital map as a soft infrastructure 菅沼直樹 Naoki SUGANUMA 1. はじめに 1) 2008 2012 ITS 2) CO 2 3) 4) Door to door Door to door Door to door DARPA(