面向动态占据栅格图的深度雷达逆传感器模型
计算机视觉与模式识别
2024-10-22 v3 人工智能
机器人学
摘要
为实现自动驾驶，一个关键步骤是基于传感器输入对车辆环境进行建模。雷达凭借其众所周知的优势，成为推断车辆周围栅格单元占据状态的热门选择。为应对雷达检测的数据稀疏性与噪声，我们提出一种基于深度学习的逆传感器模型（ISM）以学习从稀疏雷达检测到极坐标测量栅格的映射。改进的基于 lidar 的测量栅格被用作参考。学习到的雷达测量栅格结合雷达多普勒速度测量，进一步用于生成动态栅格图（DGM）。真实世界高速公路场景中的实验表明，我们的方法优于手工设计的几何 ISM。与最先进的深度学习方法相比，我们的方法是首个从有限视场（FOV）的雷达中学习极坐标方案下的单帧测量栅格的方法。该学习框架使学习到的 ISM 独立于雷达安装方式。这使我们能够灵活使用一个或多个雷达传感器而无需网络重训练，且无需 360{\deg} 传感器覆盖要求。
引用
@article{arxiv.2305.12409,
title = {Deep Radar Inverse Sensor Models for Dynamic Occupancy Grid Maps},
author = {Zihang Wei and Rujiao Yan and Matthias Schreier},
journal= {arXiv preprint arXiv:2305.12409},
year = {2024}
}