ADAS algorithms parameters tuning with decision trees

Abstract

Усовершенствованная система помощи водителю (Advanced Driver Assistance System) – класс систем дополненной реальности для помощи водителю на дороге. В своей работе ADAS использует различные сенсоры и алгоритмы для моделирования окружающего мира. Данные алгоритмы имеют множество степеней настройки, которые называются гиперпараметрами. Подбор гиперпараметров вручную – это долгий и неточный процесс, и, даже если разработчику удается подобрать хорошие гиперпараметры по умолчанию, то нет гарантий, что они будут корректно работать во всех ситуациях.

В рамках данной работы исследуется возможность применения дерева решений для динамического подбора гиперпараметров в задачах ADAS. Был предложен и реализован метод для обучения дерева решений на задаче подбора гиперпараметров, а также проведено сравнение с существующими методами оптимизаций. Было выявлено, что дерево решений может улучшить результат на двух из четырех расмотренных задачах ADAS. Помимо этого был разработан инструмент, объединяющий многие популярные методы оптимизаций под одним интерфейсом, а также разработан набор оболочек над метриками и датасетами ADAS, что позволит продолжать исследования и сравнения на новых задачах.

Advanced Driver Assistance System is a class of augmented reality systems to assist the driver on the road. ADAS uses various sensors and algorithms to simulate the surrounding world. These algorithms have many degrees of adjustment, which are called hyperparameters. Manual selection of hyperparameters is a time-consuming and imprecise process, and even if a developer manages to pick good default hyperparameters, there is no guarantee that they will work correctly in all situations.

This paper explores the application of a decision tree to dynamic hyperparameter selection in ADAS problems. A method for training the decision tree on the hyperparameter optimization problem was proposed and implemented, and a comparison with existing optimization methods was made. It was found that the decision tree can improve the results on two of the four ADAS problems that were considered. In addition, a tool was developed that combines many popular optimization methods under one interface, and a set of wrappers over ADAS metrics and datasets was developed to allow further research and comparison on new problems.