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

点击翻译按钮获取中文摘要

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。