DeepLocalization：基于地标的深度神经网络自定位方法
机器人学
2019-07-22 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
我们研究了利用多模态传感器信息与参考地图实现车辆自定位的问题。该地图通过离线从车辆视场中提取地标生成，而测量数据则在行驶过程中以类似方式实时采集。我们的目标是从地标测量值与地图地标中确定自动驾驶车辆的位姿。为学习此映射，我们提出 DeepLocalization，一种从无序且动态的输入的 landmarks 中回归车辆平移与旋转参数的深度神经网络。所提网络架构对动态环境的变化具有鲁棒性，且能应对少量提取地标的情况。在训练过程中，我们依赖合成生成的真值。在实验中，我们在真实场景下单评估了两种推理方法。我们表明 DeepLocalization 可与常规 GPS 信号及扩展 Kalman 滤波等滤波算法结合使用。我们的方法达到了最先进的精度，且比相关工作的速度快约十倍。
引用
@article{arxiv.1904.09007,
title = {DeepLocalization: Landmark-based Self-Localization with Deep Neural Networks},
author = {Nico Engel and Stefan Hoermann and Markus Horn and Vasileios Belagiannis and Klaus Dietmayer},
journal= {arXiv preprint arXiv:1904.09007},
year = {2019}
}
备注
Accepted for publication by the IEEE Intelligent Transportation Systems Conference (ITSC 2019), Auckland, New Zealand