|
自動運転の環境認識において、高精度な深層学習の利用は必要不可欠である。しかし、認識精度は学習データの質に大きく依存しており、学習された環境では高精度に認識できるが、学習データには無い環境では大きな誤りが発生することがある。これは安全性が重要な自動運転には致命的であり、必ず抑止しなければならない。本研究では、この未学習データに対して致命的な誤りを抑制し、認識精度を向上することを目的とする。先ず、耐環境性が最も高いミリ波レーダを用いた環境認識を対象として研究を行っている。その中でも特に、分解能が低くノイズが多い特性から車両などの検出対象物の高精度な形状推定は難しく、これを研究対象とした。
未学習データに対する駐車車両の形状復元精度を向上するために、半教師あり学習手法を創出した。実環境データは大量に計測できるが、駐車車両の正解形状を大量に生成することは困難で精度低下が生じている。これに対して半教師あり学習は、少量の教師付き学習データで大量の教師なしデータを用いて精度向上を図るものである。仮想正解値生成と能動学習、一貫性正則化の手法を組合せて実現した。仮想正解値の生成には、VAEによる自己教師あり学習を用いる方法と、推定形状の正解形状モデルとの整合性から判定する方法を組合せた。初回のみ推定形状が崩壊したデータに対して人手による正解値を生成する能動学習を加え、仮想正解値生成の効率を向上させた。一貫性正則化は、レーダマップにランダムな矩形ノイズを印加して生成した複数枚のマップ入力に対して同一の正解値にて学習する方法を構築した。この手法により、1/5の教師データで同等以上の駐車車両形状の推定精度が得られることを確認した。
また、VAEによる自己教師あり学習と正解形状モデルとの整合性判定を用いた能動学習手法も創出し、実環境計測データで半分の正解値付与で同等の推定精度が得られることも確認した。
|
