基于合成与真实数据的数据驱动占据栅格建图
机器人学
2022-11-16 v1
摘要
在自动驾驶车辆（AVs）的感知任务中，数据驱动方法常优于传统方法。这促使我们开发一种数据驱动方法，从激光雷达测量计算占据栅格地图（OGMs）。我们的方法扩展了先前工作，使估计的环境表示现包含一层由动态物体占据的单元；早前方案仅能区分自由与占据单元。障碍物是否可能移动的信息对规划 AV 行为至关重要。我们提出两种生成训练数据的途径：其一扩展了我们此前关于合成训练数据的工作，以生成具上述三态单元的 OGMs；其二利用 nuScenes 数据集的手动标注创建训练数据。我们在真实世界数据集的未见数据上定量比较两模型性能，进而分析二者应对域偏移（即来自不同车辆上不同传感器的激光雷达测量）的能力。我们提议利用真实数据评估所得信息进一步缩小现实差距，并生成更优合成数据，用以训练任意传感器配置的占据栅格建图模型。代码见 https://github.com/ika-rwth-aachen/DEviLOG。
引用
@article{arxiv.2211.08278,
title = {Data-Driven Occupancy Grid Mapping using Synthetic and Real-World Data},
author = {Raphael van Kempen and Bastian Lampe and Lennart Reiher and Timo Woopen and Till Beemelmanns and Lutz Eckstein},
journal= {arXiv preprint arXiv:2211.08278},
year = {2022}
}
备注
Accepted to be published as part of the International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME), Maldives, November 16-18, 2022