2021 Fiscal Year Annual Research Report
Research of precise environmental perception method using millimeter-wave radar for all-weather autonomous driving
| Project/Area Number |
19K21072
|
|---|
| Research Institution | Toyota Technological Institute |
|---|
Principal Investigator |
秋田 時彦 豊田工業大学, 工学(系)研究科(研究院), 特任上級研究員 (20564579)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | ミリ波レーダ / 深層学習 / LSTM / CNN / VAE / クラス識別 / 形状推定 / 駐車 |
|---|
| Outline of Annual Research Achievements |
現状の自動運転システムは悪天候下で機能不全に陥ることが課題の一つである。本研究は、全天候で機能するミリ波レーダ(以下レーダ)によりこれを解消することを目的とする。深層学習技術等を駆使して、下記の通り低分解能と反射不安定性の課題を改善した。
レーダの反射信号のみから物体の種別を識別する手法を構築した。レーダ反射強度の局所グリッドマップからLSTMにて種別を推定した。駐車場にてランダムに低速走行させた車、自転車、人に対して、レーダの反射波を計測し、11283組のデータセットを生成した。これに対して双方向LSTMを用いて識別を行い、98.7%の高い精度を得た。従来LTSMと他の入力特徴量の各組合せを比較し、本手法が最も高精度であることを示した。この識別器にて公道の信号交差点の横断歩行者が正しく識別できることも示した。
市街地における駐車車両、縁石、フェンスなどの障害物の形状復元を行った。実環境で計測し、2099枚のレーダ反射波蓄積反射マップを生成した。同時に計測したレーザレーダと画像から正解形状を生成し、独自設計したCNNを用いて評価を行った。その結果99.0%の精度が得られた。駐車車両の形状推定評価指標を新しく定義し、近傍の車両輪郭の最大誤差平均5.8 cmが得られた。代表的従来手法と比較し、独自設計したCNNが最も高精度であった。
上記の駐車車両の形状推定において、未学習のデータでは形状変形が生じた。これに対し、車両形状のパラメトリックモデルを構築し学習させた結果、形状変形は解消できた。しかし、位置誤差が生じたため、推定結果の信頼度を深層学習にて推定し、演繹手法により補正する方法を創出し、最大誤差39.0cmを23.3cmに誤差低減できた。信頼度推定において、反射マップと推定結果をCNNで学習するモデルと学習した反射マップ自体を生成モデルVAEにて自己教師学習するモデルを創出した。
|
