Shared Autonomyの実現に向けたドライバーの注目空間の抽出

背景と目的

近年では,自動車産業の発展に伴い交通事故や渋滞,煽り運転などが増えてきている.そこで本研究では,ドライバーとシステムが共同して操作を行うShared Autonomyに注目する.Shared Autonomyにより,基本操作はドライバーが行い,何か危険を検知した場合にシステム側が回避行動を加えることでこれらの問題に対処する.この目標を達成するために,ドライバーが運転時にどこに注目して操作しているか必要である.そこで,模倣学習とAttention機構を組み合わせることでドライバーの注目空間を抽出する.具体的には,模倣学習によりドライバーのスキル・運転意図を推定し,それに対しAttention機構(VisualBackProp)を適用することでドライバーの注目空間を抽出することができる.

しかし,この注目空間は慎重に抽出しなければならず,誤った注目空間を抽出した場合,事故に繋がる恐れがある.そこで本研究では,より正確な注目空間を抽出する方法として,頑健な模倣学習,VisualBackPropの改善手法を提案し,それらの有効性を実機による検証実験のもとで行う.
それぞれの手法により抽出された注目空間の比較を定性的に比較し,提案手法によりどの程度改善できたかを検討する.

成果

本研究の成果は以下の通りである.

  1. ツァリス統計を用いた頑健な模倣学習の実現
  2. VisualBackPropの改善手法とその妥当性の確認

有効性を確認するために,ドライバーは止まれの標識に注目して止まるといったタスクを設定し,蛇行運転による外れ値を含んだ教師データを使用して模倣学習を行った.
ツァリス統計を模倣学習に適用することで,外れ値に影響されずにドライバーの方策を学習することができた.
また,VisualBackPropの改善手法を適用した結果が以下の通りである.左から順に従来法,全結合層部分への拡張,CNNの各層で正規化,全結合層部分への拡張+CNNの各層で正規化を行ったものである.これらの結果よりCNNの各層で正規化を行うことで,従来手法に比べ必要な情報と不要な情報の差が顕著に現れていることが分かる.