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。

高精度深度学习的使用对于自动驾驶中的环境识别至关重要。然而，识别精度在很大程度上取决于训练数据的质量，尽管在经过训练的环境中可以高精度地进行识别，但在不包含在训练数据中的环境中可能会出现较大的错误。这对于安全至关重要的自动驾驶来说是致命的，必须加以预防。这项研究的目的是抑制未经训练的数据上的致命错误并提高识别准确性。首先，我们正在研究使用毫米波雷达进行环境识别，毫米波雷达具有最高的耐环境性。其中，车辆等被检测物体由于其分辨率低、噪声大的特点，对其形状进行高精度估计尤为困难，因此这是我们研究的课题。我们创建了一种半监督学习方法，以提高从未经训练的数据恢复停放车辆形状的准确性。其目的是通过使用少量的监督学习数据和大量的无监督数据来提高准确性。这是通过结合虚拟地面实况值生成和一致性正则化方法来实现的。为了生成虚拟正确值，我们结合了使用 VAE 进行自监督学习的方法和基于估计形状与正确形状模型的一致性进行确定的方法。为了一致性正则化，我们构建了一种方法，该方法可以对通过将随机矩形噪声应用于雷达地图而生成的多个地图输入使用相同的正确值进行学习。结果，我们确认用 1/4 的训练数据可以获得同等的精度。类似地，使用VAE，我们构建了一种主动学习方法，优先考虑与教学数据有较大差异的数据以及与估计输出有较大不匹配的数据中的正确值，并证实可以获得等效的精度。我们在一个学术会议上发表了关于我们去年创建的利用VAE根据与教学数据的相似程度来校正估计形状模型的方法以及估计概率可靠性的方法。论文是接受出版并出版。