[논문 리뷰] Neural Attention Fields for end-to-end Autonomous Driving(NEAT)

woonho·2023년 3월 1일
0

1. Introduction

연구 배경

  • scene에 대한 semantic, spatial, temporal structure를 추론하는 것은 자율주행에 있어서 중요한 task이다.

    ⇒ dynamic scene을 정확히 받아올 수 있다.

    • 이를 위해서, auxiliary(보조적인) task를 활용
      • 예를 들어, CILRS의 경우 simple self-supervised auxiliary training을 통해, ego-vehicle의 velocity를 예측했다.
    • NEAT는 auxiliary task로 BEV semantic prediction을 택했다.
  • BEV semantic prediction

    • 과거, 미래에 대한 BEV semantic segmentation을 출력하는 model이 필요하다.
    • (x, y, t) ⇒ BEV spatiotemporal query location
      • ex) (2, 5, 2) ⇒ 2 meters in front of the vehicle, 5 meters to the right, 2 seconds into the future
      • 어떤 픽셀이 현재 location과 관련이 있는지 알기 어려움.
    • reasoning about 3D geometry, scene motion, ego-motion, interactions between scene elements 와 같은 정보들이 필요함
  • NEAT ⇒ Neural Attention Fields for e2e driving

    • query location(x, y, t)과 interpretable attention map을 사용해서 해결

3. Method

Input & Output

Input

  • Sensor data & Fixed length buffer of T time-steps
    • χ={xs,t}s=1:S,t=1:T\chi = \{ x_{s,t} \}_{s=1:S,t=1:T}
      • S = 3 ⇒ forward, left, right RGB camera
        • full 180’ view
      • T = 1
  • velocity : vv
  • Query point
    • (x, y, t, x’, y’) ⇒ 1 ≤ t ≤ T+Z
      • BEV spatiotemporal query location (x, y, t)마다 waypoint prediction, BEV semantic prediction을 수행한다.
      • (x’, y’)의 경우, target location으로써, waypoint prediction에 driver의 intention을 추가해서 조정해주는 역할을 한다.

Output

  • Waypoint offset ⇒ oio_i
    • (x_offset, y_offset) R2\in \R^2
  • Semantic class ⇒ sis_i
    • siRKs_i \in \R^K (K : class labels)

Architecture

  • eθe_{\theta} : encoder
  • aϕa_{\phi} : neural attention field
  • dψd_{\psi} : decoder

Encoder

  • eθ:RS×T×W×H×3×RR(STP)×Ce_{\theta} : \R^{S \times T \times W \times H \times 3} \times \R \rightarrow \R^{(S * T *P) \times C}
  • Each Image : xs,tRW×H×3x_{s, t} \in \R^{W \times H \times 3}
  • 각 센서, time-step 별 image들이 들어오면, ResNet backbone을 지나서 RP×C\R^{P \times C}와 같은 형태가 된다. 여기서, P는 image당 spatial feature의 갯수이고, C는 feature dimensionality이다. 결국, ResNet backbone을 지나면, R(STP)×C\R^{(S * T *P) \times C} 형태의 output으로 출력된다.
  • 이 후에, velocity feature vv, learned positional embedding을 더해서 Transformer에 Input으로 들어간다. ⇒ transformer의 self-attention mechanism을 통해 feature들을 global하게 통합해, 맥락적인 정보를 더 잘 받아오기 위함.
    • vRCv \rightarrow \R^C ⇒ obtained by linearly projectione
    • learned positional embedding : R(STP)×C\R^{(S*T*P) \times C}
    • transformer의 output 또한 input과 동일하게 다음과 같이 출력된다.
    • cR(STP)×Cc \in \R^{(S*T*P) \times C}

Neural Attention Field

  • aϕ:R5×RCRSTPa_{\phi} : \R^5 \times \R^C \rightarrow \R^{S *T*P}

  • query location은 x,y,tx, y, t에 추가로 target location (x,y)(x', y')가 추가되어, R5\R^5의 형태를 가진다.

  • ci=softmax(ai)cc_i = softmax(a_i)^{\top} \cdot c

    • ciRCc_i \in \R^C
    • c0c_0 : set to the mean of cc
  • MLP를 통해 attention map을 뽑아내는 과정은 다음과 같은 형태를 지닌다.

    • 5 fully-connected ResNet Block으로 구성되어 있으며, 중간에 ci1c_{i-1}을 통해, CBN(conditional batch normalization)을 수행하는 구조로 이루어져 있다.

      • CBN?

        • ci1c_{i-1}에 2-layer ReLU, MLP를 통해 128-dimensional vector βb,1,βb,2,γb,1,γb,2\beta_{b, 1}, \beta_{b,2},\gamma_{b,1}, \gamma_{b,2}를 도출한다.

Decoder

  • dψ:R5×RCRK×R2d_{\psi} : \R^5 \times \R^C \rightarrow \R^K \times \R^2
  • aϕa_{\phi}와 유사한 형태의 MLP 구조로 output layer에서 semantic class와 waypoint offset을 출력한다는 점이 다르다.
  • 위 과정을 매 iteration마다 수행해 총 N번 수행한다.
    • But, intermediate iteration(i<N)(i < N)은 test time에 이용되지 않음

Training

Sampling

  • semantic class label의 경우, 보통 불균형하기 때문에, training 시기에 class-balancing sampling이 필요하다.
    • semantic class들 중에 가장 적은 point 갯수를 가지는 class 우선으로 MKM \over Kpoint를 랜덤하게 추출된다.

Loss

  • waypoint offset loss의 경우, L1 Loss를, semantic class loss의 경우 Cross-Entropy Loss를 사용한다.
    • N : iterations
    • M : samples

Controller

  • Red light indicator, waypoint를 구해서, 이를 PID controller를 이용해 steer, throttle, brake value로 변환한다.

Red Light Indicator (rr)

  • 현재 위치에서 정면 50m, 우측 25m 범위에 sparse grid sample point를 일정하게 찍어, 그 point의semantic prediction이 red light class인 것이 있다면, rr을 1로 부여하고, 아니면 0으로 부여한다.
    • (U, V) grid ⇒ U = 16, V = 32

Waypoint

  • 정면 A meter square 범위를 (G x G) grid point로 나누어, waypoint offset oNo_N을 각 G2G^2 grid point, 각 time-step(t=T+1, … , T+Z)에 더한다.
  • 그 후에 모든 G2G^2 waypoint prediction의 average를 계산해 최종 waypoint prediction wtw_t를 구한다.

Experiments

Routes

  • CARLA ver.0.9.10
  • 42 routes from 6 different towns (training ⇒ 8 towns)
  • 7 weathers
    • Clear, Cloudy, Wet, MidRain, WetCloudy, HardRain, SoftRain
  • 6 daylight conditions
    • Night, Twilight, Dawn, Morning, Noon, Sunset

Metrics

  • RC : Route Completion
  • IS : Infraction Score
  • DS : Driving Score

Driving Performance

0개의 댓글