用于动态环境中时空占用预测的双分支 ConvLSTM
机器人学
2022-09-28 v3
摘要
预测环境的未来占用状态对于使自动驾驶车辆能够做出明智决策非常重要。占用预测中的常见挑战包括动态物体消失和预测模糊，尤其是在较长的预测时间跨度下。在这项工作中，我们提出了一种双分支神经网络架构来预测占用状态的时空演化。一个分支专门用于预测移动的自车将如何观察静态环境。另一个分支预测环境中的动态物体将如何移动。在真实世界的 Waymo Open Dataset 上进行的实验表明，与基线模型相比，这两个分支的融合输出能够在更长的时间跨度内保留动态物体并减少预测中的模糊性。
引用
@article{arxiv.2011.09045,
title = {Double-Prong ConvLSTM for Spatiotemporal Occupancy Prediction in Dynamic Environments},
author = {Maneekwan Toyungyernsub and Masha Itkina and Ransalu Senanayake and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2011.09045},
year = {2022}
}
备注
Accepted at 2021 International Conference on Robotics and Automation (ICRA 2021)