基于RNN在动态占据栅格地图上的深度目标跟踪
机器人学
2018-05-24 v1
摘要
对驾驶环境的全面表示与理解对于提升自动驾驶车辆的安全性与可靠性至关重要。本文提出一种建立环境模型的新方法，该模型包含静态与动态背景的分割，以及具有形状、位置与朝向的参数化建模对象。多个激光扫描仪被融合为动态占据栅格地图，实现对环境的360°感知。将单阶段深度卷积神经网络与循环神经网络结合，后者以占据栅格地图的时间序列为输入，跟踪单元状态及其对应对象假设。训练标签由自动标签生成算法无监督创建。所提方法在复杂城市内场景中使用上述360°激光感知的真实世界实验中评估。结果显示，与我们的旧方法相比目标检测精度更优，且动态与静态分割的AUC分数达0.946。此外，由于使用时间序列作为输入以及循环神经网络引入的关于先前状态的记忆，我们对被遮挡对象获得了改进的检测以及更一致的大小估计。
引用
@article{arxiv.1805.08986,
title = {Deep Object Tracking on Dynamic Occupancy Grid Maps Using RNNs},
author = {Nico Engel and Stefan Hoermann and Philipp Henzler and Klaus Dietmayer},
journal= {arXiv preprint arXiv:1805.08986},
year = {2018}
}