BCSSN：用于自动驾驶避撞的双向紧凑空间可分离网络
机器人学
2023-03-14 v1 人工智能
摘要
自动驾驶一直是一个活跃的研发领域，人们探索了多种策略用于自动驾驶车辆的决策。基于规则的系统、决策树、马尔可夫决策过程与贝叶斯网络曾是应对交通状况复杂性与避免碰撞的一些流行方法。然而，随着深度学习的兴起，许多研究者转向基于CNN的方法来提升避撞性能。尽管一些基于CNN的方法取得了有前景的结果，但未能建立序列图像间的关联常导致更多碰撞。在本文中，我们提出一种基于CNN的方法，通过使用注意力的变体建立序列图像中区域间的特征关联，克服了该局限。我们的方法结合了CNN在捕获区域特征方面的优势与双向LSTM，以增强不同局部区域间的关系。此外，我们使用编码器提升计算效率。我们的方法以由相机与LiDAR传感器生成的“鸟瞰图(Bird's Eye View)”图作为输入，模拟位置(x, y)与航向偏角(Yaw)以生成未来轨迹。实验结果表明，我们提出的方法优于现有的基于视觉的策略，在L5kit测试集上每1000英里行驶距离平均仅发生3.7次碰撞。这显著提升了避撞成功率，并为自动驾驶提供了一种有前景的解决方案。
引用
@article{arxiv.2303.06714,
title = {BCSSN: Bi-direction Compact Spatial Separable Network for Collision Avoidance in Autonomous Driving},
author = {Haichuan Li and Liguo Zhou and Alois Knoll},
journal= {arXiv preprint arXiv:2303.06714},
year = {2023}
}