一种基于改进生成对抗网络的高效深度学习自动驾驶信息补全方法
机器学习
2023-07-19 v1
摘要
自动驾驶是工业物联网(IIoT)中智能物流的关键技术。在自动驾驶中，由于激光雷达(LiDAR)应用时的遮挡、传感器分辨率和视角限制，丢失几何与语义信息的不完整点云的出现不可避免。不完整点云尤其是残缺车辆点云的出现，会降低自动驾驶车辆在目标检测、交通预警和避撞中的精度。现有的点云补全网络如点分形网络(PF-Net)关注点云补全的精度，未考虑推理过程的效率，难以部署于自动驾驶中的车辆点云修复。为解决上述问题，本文提出一种高效的深度学习方法，在自动驾驶中准确且高效地修复不完整车辆点云。在所提方法中，提出了一种结合增量采样与一次性采样的高效下采样算法，以提升基于生成对抗网络(GAN)的PF-Net的推理速度。为评估所提方法性能，使用了真实数据集并构建了自动驾驶场景，其中针对三种自动驾驶情形设置了5种不同尺寸的残缺车辆点云。改进后的PF-Net相比原始PF-Net在精度几乎相同的情况下实现了超过19倍的加速。实验结果表明，改进后的PF-Net可应用于自动驾驶中车辆点云的高效补全。
引用
@article{arxiv.2109.02629,
title = {An Efficient Deep Learning Approach Using Improved Generative Adversarial Networks for Incomplete Information Completion of Self-driving},
author = {Jingzhi Tu and Gang Mei and Francesco Piccialli},
journal= {arXiv preprint arXiv:2109.02629},
year = {2023}
}
备注
10 figures, 4 tables