Самоходные автомобили

Из соображений безопасности беспилотные автомобили не должны пропускать знаки.

Передовые методы выявления ложноотрицательных результатов

На какой ступени автоматического транспортного средства (АВ) вы бы хотели проехать? Насколько сильно вы опасаетесь, что беспилотный автомобиль попадет в неожиданную аварию? В настоящее время проблемы безопасности являются узким местом для повсеместного развертывания автономных автономных автомобилей уровня 2.

Нет гарантии, что система обнаружения объектов не ошибется. Независимо от того, насколько улучшена производительность, точность распознавания неизбежно ухудшится из-за различных факторов окружающей среды. Авторы утверждают, что должен существовать механизм обнаружения ошибки детектора при вождении в автоматизированной среде.

В этой истории вы пропустили знак? Представлена ​​система ложноотрицательной сигнализации для детекторов дорожных знаков, разработанная Австралийским центром роботизированного зрения при Технологическом университете Квинсленда. Он опубликован как технический документ IEEE / RSJ IROS 2019. В этом документе предлагается подход к выявлению дорожных знаков, пропущенных детекторами объектов. Система подает тревогу, когда детектор объекта пропускает дорожный знак. Обучая ложноотрицательный детектор (FND), а также однокомпонентный многопозиционный детектор объектов для обнаружения дорожных знаков, мы можем определить, пропустил ли детектор дорожных знаков знак или нет. Основным вкладом этой статьи является то, что она является первым детектором знаков, который фокусируется на ложных срабатываниях в задаче распознавания объектов.

Посмотрим, как им это удалось. Я объясню только суть FND, поэтому, если вам интересно прочитать мой блог, нажмите FND paper.

Что говорится в этой статье?

Для обеспечения безопасности детекторы объектов должны надежно работать в различных условиях. Однако неизвестная среда, низкое качество изображения из-за плохой погоды, неравномерное освещение и плохие текстуры могут повлиять на снижение производительности систем обнаружения объектов в AV.

Учитывая, что авторы не могут гарантировать, что система обнаружения объектов никогда не допустит ошибок, они утверждают, что должен существовать механизм для обнаружения ошибок во время развертывания, то есть система обнаружения ошибок, которая предупреждает пользователя, когда она определяет, что производительность системы установленный детектор знаков может ухудшаться. Другими словами, исследование авторов не направлено на улучшение работы детекторов знаков. Вместо этого основное внимание уделяется выявлению того, когда системе не удается определить дорожный знак определенного местоположения.

Когда следует уведомить пользователя о тревоге? Когда следует передать контроль человеку? Эти вопросы теперь можно рассмотреть, потому что у нас есть детектор объектов и, в то же время, система для проверки эффективности обнаружения детектора. Эта система может предупредить детектор о том, что он, скорее всего, пропустил объект в определенной области входного изображения. Если частота сигналов тревоги продолжает расти, автономная система может попросить пользователя вмешаться, чтобы взять под контроль управление.

В чем новизна этой статьи?

Существует несколько подходов к задаче обнаружения неисправностей в системах технического зрения, и один из них состоит в том, чтобы идентифицировать неисправность путем изучения выходных данных системы технического зрения. Для выявления неисправностей недавно было предложено оценивать прогнозируемую дисперсию с помощью неопределенных измерений, чтобы уменьшить воспринимаемую неоднозначность системы как препятствие для использования этих систем в реальной среде [Grimmett et al. 2013 и Triebel et al., 2016]. Однако [Daftry et al., 2016] утверждают, что прогнозирование неисправностей на основе необработанных данных датчиков более эффективно, чем использование неопределенности классификаторов на основе моделей. Этот документ уникален в двух отношениях: во-первых, в нем не используются меры неопределенности; во-вторых, это первое предложение об обнаружении ложноотрицательных результатов в качестве отказоустойчивого механизма для автономных систем.

Ложноотрицательное обнаружение (FND)

Предложенный авторами подход False Negative Detection (FND) состоит из двух задач.

1. Соберите объекты из определенных областей входного изображения, где TSD не обнаружил никаких признаков.

2. Оцените эти особенности, чтобы определить ложно-отрицательные дорожные знаки из этих мест.

На рис. 2 показан детектор ложных отрицательных результатов (FND), который выявляет неисправности в детекторе дорожных знаков (TSD).

Детектор ложноотрицательных сигналов (FND) основан на наблюдении, согласно которому, когда детектор дорожных знаков (TSD) пропускает знак, его внутренняя карта характеристик все еще содержит некоторые захватывающие области, некоторые из которых соответствуют расположению знака (рис. а) и (б)). Используя это свойство, можно построить классификатор, чтобы получить признаки из этих регионов и определить, не удалось ли TSD обнаружить признаки в этих регионах. Вот примечание для всех: есть два паттерна, которые упускает из виду TSD. Поскольку TSD не смог обнаружить сигнал отсюда, эта область будет названа ошибкой. Другой регион называется самозванцем, потому что он возбужден, но не имеет ничего общего с дорожным знаком. После преобразования в двоичную форму карты признаков на рис. 2 (b) на рис. 2 (c) определяется ограничивающая рамка ([x min, y min, x max, y max]) каждой области возбуждения ( Ри). Рис. 2 (d) - это выходной сигнал FND, показывающий обнаруженные ложноотрицательные дорожные знаки.

На этапе обучения координаты области возбуждения преобразуются из пространства признаков в пространство изображения, и измеряется точка пересечения на сумме с граничным прямоугольником наземной истины. После извлечения векторов признаков сбоя и самозванца сеть обнаружения отказов (B) обучается классифицировать эти два вектора признаков, как показано на рис. 3.

На этапе тестирования FND следует конвейеру извлечения признаков (рис. 2) для извлечения признаков из внутренних слоев TSD. Первоначально FND получает выходной сигнал обнаружения, сгенерированный TSD, и идентифицирует область входного изображения без обнаружения.

Полученные результаты

На рисунке 8 показаны качественные результаты системы обнаружения ложноотрицательных результатов. Здесь показано несколько случаев, когда FND успешно идентифицировал ложноотрицательные дорожные знаки, пропущенные детектором. Эти образцы результатов были получены в трех различных средах (нормальная, имитация тумана и имитация дождя) данных теста BTSD.

Ссылка

[Daftry et al., 2016] С. Дафтри, С. Зенг, Дж. А. Багнелл и М. Хеберт, «Интроспективное восприятие: обучение предсказанию сбоев в системах зрения», в 2016 г. IEEE / RSJ IROS.

[Grimmett et al., 2013] Х. Гриммет, Р. Пол, Р. Трибель и И. Познер, «Знать, когда мы не знаем: интроспективная классификация для принятия критически важных решений», Международная конференция IEEE 2013 г. по робототехнике и автоматизации.

[Triebel et al., 2016] Р. Трибель, Х. Гриммет, Р. Пол и И. Познер, «Управляемое обучение для вождения: как интроспекция улучшает семантическое отображение», в Robotics Research. Springer.

[Rahman et al., 2019] Рахман, К., Зундерхауф, Н., и Дайуб, Ф .: `` Вы пропустили знак? Система ложноотрицательной сигнализации для детекторов дорожных знаков », IEEE / RSJ IROS 2019.

Сводный список прошлых работ

Метод глубокого обучения

2020: [DCTNet]

Неопределенность обучения

2020: [DUL]

Обнаружение аномалий

2020: [FND]

Одноклассовая классификация

2019: [DOC]

2020: [DROC]

Сегментация изображений

2018: [УОЛО]

2020: [ssCPCseg]

Кластеризация изображений

2020: [DTC]