DOU-Pose: 繰り返しや低テクスチャのインテリジェント交通環境における自律走行車向けのロバストなカメラベース視覚ローカライゼーション
DOU-Pose: Robust Camera-Based Visual Localization for Autonomous Vehicles in Repetitive and Low-Texture Intelligent Transportation Environments
自律走行車にとって正確でロバストな車両ローカライゼーションは不可欠だが、既存の視覚的姿勢推定手法は、繰り返し構造や疎なテクスチャが多いシナリオで苦戦することが多い。これらの条件は、3Dシーン座標の曖昧な予測と、標準的な推定器を欺く構造化された外れ値(一貫したクラスターを形成する誤った予測)の割合を高める。これらの限界に対処するため、本論文ではDifferentiable SAmple Consensus (DSAC) パイプラインに基づいた視覚的姿勢推定フレームワークであるDOU-Pose(Depthwise Over-parameterized U-shaped Pose estimation)を提案する。中心的なアイデアは、特徴抽出の改善を通じてシーン座標回帰の識別能力を高めることである。具体的には、標準的な畳み込み層をDepthwise Over-parameterized Convolution(DO-Conv)に置き換え、トレーニング中に補助的な学習可能な深度ごとのカーネルを導入してネットワークの表現能力を豊かにし、推論時には単一のカーネルに融合できるようにする。さらに、転置畳み込みを用いたU字型の回帰ネットワークは、空間的詳細を保持し、きめ細かな幾何学的推論を強化するように設計されている。パイプライン全体は、密なシーン座標予測と微分可能なロバスト推定器を組み合わせてエンドツーエンドでトレーニングされる。広範な実験により、DOU-Poseは公開ベンチマークで競争力のあるパフォーマンスを達成し、特に繰り返しや低テクスチャの屋外運転シナリオにおいて、独自に収集されたCampus-AVデータセットでロバスト性の明らかな改善を示した。
- DOU-Poseという自律走行車向けカメラベース視覚ローカライゼーションフレームワークを提案し、繰り返し構造や低テクスチャ環境でのロバスト性改善を示した
- 独自に収集したCampus-AVデータセットでロバスト性の改善を実証
自律走行車のローカライゼーション精度向上は、自動運転の実用化における重要な課題であり、本論文は繰り返し構造や低テクスチャ環境でのロバスト性向上を実現した点が注目に値する。ただし、学術研究段階であり、商用化や事業展開に関する具体的な発表は含まれておらず、投資判断に直結する事象としては限定的。自動運転技術の中核コンポーネントとしての技術的進展は把握しておく価値がある。