New Approach to Deep Learning by Introducing Language Model for Drastic Improvement of Automated Driving Reliability

引入语言模型的深度学习新方法，大幅提高自动驾驶可靠性

基本信息

批准号：
21K03985
负责人：
秋田時彦
金额：
$ 2.66万
依托单位：
Toyota Technological Institute
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

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。これは、少量の教師付き学習データと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。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。これにより、1/4の教師データで同等の精度が得られることを確認した。また、同様にVAEを用いて教師データと違いが大きいデータと推定出力との不整合が大きいデータから優先的に正解値を付与する能動学習手法を構築し、1/2程度の正解値データで同等の精度が得られることを確認した。前年度に創出したVAEによる教師データとの類似度に応じた推定形状モデルの補正手法と確率的信頼度推定手法について、学会発表し、論文掲載受理され公開した。

在自动驾驶的环境意识中，使用高精确的深度学习是必不可少的。但是，识别精度在很大程度上取决于学习数据的质量，在学习的环境中，可以识别高精确度，但是在学习数据中找不到的环境中，可能会发生重大错误。这对于自动驾驶来说是致命的，这很重要，必须阻止。在这项研究中，目的是抑制该未造成数据的致命错误并提高识别准确性。首先，我们使用具有最高环境阻力的毫米波雷达对环境意识进行研究。其中，由于低分辨率和许多噪声的特征，很难估计检测到的物体的高精度形状，例如车辆，这是研究的主题。创建了一种半教学方法，以提高停放的车辆的形状恢复准确性，以进行未经修饰的数据。这是为了使用少量教师的学习数据和大量教师数据提高准确性。通过结合虚拟正确价值产生和一致正则化的方法来实现它。为了生成虚拟正确的值，将使用VAE自学的自学师师使用的方法以及确定与估计正确的答案形状模型的一致性的方法结合在一起。一致性正则化已经建立了一种以相同的正确答案值学习的方法，该方法是通过将随机矩形噪声应用于雷达图中生成的多个地图。已经证实，这可以在1/4教师的数据中提供同等准确性。同样，VAE用于构建一种主动学习方法，从数据和估计的输出之间具有很大差异的数据优先级，并且大约是1/22正确的答案数据可以获得相同的精度。宣布了估计形状模型的配置方法和可能的可靠性估计方法，该方法符合上一个财政年度中创建的教师数据的相似性，并发布了论文并发布了论文。