移动中的深度追踪：利用循环神经网络从移动车辆学习追踪世界
计算机视觉与模式识别
2017-04-20 v3 人工智能
机器学习
机器人学
摘要
本文提出了一种端到端方法，用于追踪自动驾驶车辆在拥挤城市环境中行驶时的静态和动态物体。与传统的追踪方法不同，此方法是端到端学习的，能够直接从原始激光输入数据预测完整的无遮挡占据网格地图。受最近提出的 DeepTracking 方法 [Ondruska, 2016] 启发，我们采用循环神经网络（RNN）来捕捉环境状态的时间演化，并提议使用空间变换器模块来利用车辆自运动估计。我们的结果展示了使用单一学习模型，从移动和静止平台上，在遮挡情况下追踪一系列物体（包括汽车、公共汽车、行人和骑行者）的能力。实验结果表明，该模型还能根据当前输入预测物体的未来状态，且精度高于先前的工作。
引用
@article{arxiv.1609.09365,
title = {Deep Tracking on the Move: Learning to Track the World from a Moving Vehicle using Recurrent Neural Networks},
author = {Julie Dequaire and Dushyant Rao and Peter Ondruska and Dominic Wang and Ingmar Posner},
journal= {arXiv preprint arXiv:1609.09365},
year = {2017}
}