基于证据理论的自动驾驶场景占有率图预测准确训练数据的构建
计算机视觉与模式识别
2024-05-20 v1
摘要
自动驾驶 fundamentally requires 对 surrounding geometry 的了解。现代方法仅使用捕获的图像来预测表示场景几何结构的占有率图。训练这些方法需要可能使用激光雷达扫描器获取的准确数据。我们展示了当前基准和训练数据集用于将激光雷达扫描转换为占有率网格图的技术会导致 very low quality，从而提出了一种基于证据理论的新方法，yield 更准确的重建。我们通过定性和定量分析表明，这些方法在显著程度上优于其他方法，同时我们还获得了有意义的不确定性估计。当将占有率图转换回深度估计并与原始激光雷达测量进行比较时，我们的方法在 nuScenes 和 Waymo 上相对于其他占有率 ground-truth 数据实现了 30%~52% 的 MAE 改进，并在 Waymo 上实现了 53% 的改进。最后，我们使用改进后的占有率图来训练一种 state-of-the-art 的占有率预测方法，证明其在 nuScenes 上将 MAE 改进了 25%。
引用
@article{arxiv.2405.10575,
title = {Accurate Training Data for Occupancy Map Prediction in Automated Driving Using Evidence Theory},
author = {Jonas Kälble and Sascha Wirges and Maxim Tatarchenko and Eddy Ilg},
journal= {arXiv preprint arXiv:2405.10575},
year = {2024}
}