Background Fades, Foreground Leads：効率的なフォアグラウンド中心の協調知覚のための、カリキュラムに導かれた背景プルーニング

Abstract

協調的な知覚は、車両間で補完的な情報を共有することにより、自律走行車両の信頼性と空間的カバレッジを高め、単一車両の知覚では対応が難しいロングテールな状況に対する有望な解決策を提供します。しかし、車両ネットワークの帯域幅の制約により、特徴マップ全体を送信することは現実的ではありません。そこで最近の手法では、背景は破棄し、予測された前景領域の特徴のみを送信する、前景中心のパラダイムが採用されていますが、背景には重要な文脈情報がエンコードされています。私たちは FadeLead を提案します。これは、学習時に背景の文脈をコンパクトな前景特徴へ取り込むことを学習することで、この制約を克服する前景中心のフレームワークです。設計の中核には、カリキュラム学習戦略があります。これは、背景の手掛かりを初期段階では活用しつつ、徐々にそれらを剪定していくことで、背景自体は送信せずに文脈を前景表現へ内在化させるようモデルに強制します。シミュレーションおよび実世界の両方のベンチマークに対する大規模な実験により、FadeLead は異なる帯域設定のもとで従来手法を上回ることが示され、文脈を豊富にした前景共有の有効性が裏付けられます。