자율주행 차량의 학습 데이터 자동 생성 시스템 개발
Development of Autonomous Vehicle Learning Data Generation System
0
조회
0
다운로드
9
인용
0
참고문헌
키워드
초록
자율주행시스템에서 다양한 센서를 기반으로 한 외부환경 인지는 주행안전성과 직접적인관계가 있다. 최근 머신러닝/심층 신경망 기술의 발전으로 심층 신경망 기반의 인지 모델이사용됨에 따라, 인지 알고리즘의 올바른 학습과 이를 위한 양질의 학습데이터가 필수적으로요구된다. 그러나 자율주행에 발생할 수 있는 모든 상황을 데이터를 수집하는 것은 현실적인어려움이 많다. 해외와 국내의 교통 환경의 차이로 인지 모델의 성능이 저하되기도 하며, 센서가 정상동작을 못하는 악천우에 대한 데이터는 수집이 어려우며 질적인 부분을 보장하지 못한다. 때문에, 실제 도로가 아닌 시뮬레이터 내 가상 도로 환경을 구축하여 합성 데이터를 수집하는 접근법이 필요하다. 본 논문에서는 국내 실정에 맞게 국내 도로 상황을 모사한 시뮬레이터환경 안에 날씨와 조도, 차량의 종류와 대수, 센서의 위치를 다양화하여 학습데이터를 수집하였고, 보다 더 좋은 성능을 위해 적대적 생성 모델을 활용하여 이미지의 도메인을 보다 실사에가깝게 바꾸고 다양화 하였다. 그리고 위 데이터로 학습한 인지 모델을 실제 도로 환경에서수집한 시험 데이터에 성능 평가를 진행하여, 실제 환경 데이터만으로 학습한 모델과 비슷한성능을 내는 것을 보였다.
Abstract
The perception of traffic environment based on various sensors in autonomous driving system has a direct relationship with driving safety. Recently, as the perception model based on deep neural network is used due to the development of machine learning/in-depth neural network technology, a the perception model training and high quality of a training dataset are required. However, there are several realistic difficulties to collect data on all situations that may occur in self-driving. The performance of the perception model may be deteriorated due to the difference between the overseas and domestic traffic environments, and data on bad weather where the sensors can not operate normally can not guarantee the qualitative part. Therefore, it is necessary to build a virtual road environment in the simulator rather than the actual road to collect the traning data. In this paper, a training dataset collection process is suggested by diversifying the weather, illumination, sensor position, type and counts of vehicles in the simulator environment that simulates the domestic road situation according to the domestic situation. In order to achieve better performance, the authors changed the domain of image to be closer to due diligence and diversified. And the performance evaluation was conducted on the test data collected in the actual road environment, and the performance was similar to that of the model learned only by the actual environmental data.
참고문헌 (16)
- Chen D., "Learning by Cheating", Conference on Robot Learning(CoRL) (2019)
- Dosovitskiy A., "CARLA: An Open Urban Driving Simulator", Conference on Robot Learning(CoRL) (2017)
- Gaidon A., "Virtual Worlds as Proxy for Multi-Object Tracking Analysis", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.4340~4349 (2016)
- Geiger A., "Vision meets Rototics : The KITTI Dataset", The International Journal of Robotics Research, 32(11), pp.1231~1237 (2013)
- Goodfellow I., "Generative Adversarial Networks", NIPS (2014)
- Isola P., "Image-to-Image Translation with Conditional Adversarial Networks", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.1125~1134 (2017)
- Liu W., "SSD: Single Shot MultiBox Detector", European Conference on Computer Vision(ECCV), pp.21~37 (2015)
- Redmon J., "YOLO9000: Better, Faster, Stronger", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.7263~7271 (2016)
- Redmon J., "YOLO v3: An Incremental Improvement", University of Washington, ~ (2019)
- Redmon J., "You Only Look Once: Unified, Real-Time Object Detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.779~788 (2015)
- Ren S., "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", IEEE Transactions on Pattern Analysis and Machine Intelligence (2016)
- Rong G., "LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving", ITSC (2020)
- Tremblay J., "Training Deep Networks with Synthetic Data: Bridging the Reality Gap by Domain Randomization", CVPR Workshop (2018)
- Yang Z., "SurfelGAN: Synthesizing Realistic Sensor Data for Autonomous Driving", Proceedings of the IEEE, 2020, 11118~11127
- Yu F., "BDD100K:A Diverse Driving Dataset for Heterogeneous Multitask Learning", Proceedings of the IEEE, 2020, 2636~2645
- Zhu J. Y., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", Proceedings of the IEEE International Conference on Computer Vision(ICCV), pp.2223~2232 (2017)