動的オクルージョン予測ニューラルネットワークによる堅牢な車道沿い複数車両追跡
Dynamic Occlusion–Predictive Neural Network for Robust Roadside Multi-Vehicle Tracking
車道沿いの認識システムは、複雑な交通状況下でのオクルージョン(隠れ)により、追跡失敗やID切り替えが発生するという課題があった。本研究では、この課題に対処するため、Transformerベースの動的オクルージョン状態予測モジュールと、GNNベースの空間推論モジュールを組み合わせた動的オクルージョン予測ニューラルネットワークを提案する。動的オクルージョン状態予測モジュールは、過去のオクルージョンパターンを分析し、将来のオクルージョン比率を予測する。この予測値は、損失関数における動的な重み付け係数として追跡フレームワークに統合され、予測されたオクルージョン強度に基づいて追跡誤差を適応的に罰することで、動的オクルージョンシナリオに対する堅牢性を向上させる。空間推論モジュールは、予測されたオクルージョン状態を活用し、道路占有情報と近隣車両の姿勢を統合したグラフを構築することで、オクルージョン領域内のターゲットの存在と運動パターンを推論し、視覚的なオクルージョン中でも時間的に連続した追跡を保証する。DAIR-V2Xおよび独自収集のデータセットでの実験により、提案手法は最先端の手法と比較して精度と堅牢性で優れており、特にオクルージョンが高い状況下で5.1%のMOTA向上を達成した。
- 動的オクルージョン予測ニューラルネットワーク(Transformer+GNN)を提案し、DAIR-V2Xデータセットで高オクルージョン下で5.1%のMOTA向上を達成した研究結果が発表された
本研究は自動運転の実用化において重大な課題である「オクルージョン(隠れ)下での車両追跡精度」を、TransformerとGNNを組み合わせたニューラルネットワークで大幅に改善した点が注目に値する。特に5.1%のMOTA向上は、実環境での安全性と信頼性の直接的な向上につながる。自動運転技術のコア課題にアプローチする研究であり、実用化競争が激化する中で差別化要因となり得る。投資家としては、本技術を搭載した自動運転システムの実証実験や、関連スタートアップの技術獲得動向を注視すべき。