深度逆传感器模型作为证据占据栅格建图的先验
机器人学
2020-12-04 v1 机器学习
摘要
随着自动驾驶近期的兴起，将雷达作为占据栅格建图输入受到了更多关注。尽管雷达有诸多优点，但基于雷达检测推断占据空间因数据稀疏性和环境相关噪声（如多径反射）而 notoriously 困难。近来，基于深度学习的逆传感器模型（以下称为深度 ISM）已被证明在恢复占据信息方面优于其几何对应模型。然而，这些方法执行数据驱动的插值，须在存在测量时后续进行验证。在本工作中，我们描述了一种将深度 ISM 与几何 ISM 整合进证据占据栅格建图框架的新方法。我们的方法利用数据驱动方法的能力来初始化几何模型尚不可观测的栅格，有效增强感知范围与收敛速度，同时利用几何 ISM 的精度收敛至清晰边界。我们进一步定义了深度 ISM 估计确定性的下界及收敛性的解析证明，并借此区分仅由深度 ISM 分配的栅格与已使用几何方法验证的栅格。
引用
@article{arxiv.2012.02111,
title = {Deep Inverse Sensor Models as Priors for evidential Occupancy Mapping},
author = {Daniel Bauer and Lars Kuhnert and Lutz Eckstein},
journal= {arXiv preprint arXiv:2012.02111},
year = {2020}
}