面向城市自动驾驶的动态占据栅格预测：一种基于全自动标注的深度学习方法
机器人学
2017-11-08 v2
摘要
长期态势预测在智能车辆的发展中起着至关重要的作用。一个仍待克服的主要挑战是预测多个道路使用者（例如行人、自行车和机动车辆）相互作用的复杂市中心场景。本文通过将用于环境表示的贝叶斯滤波技术与作为长期预测器的机器学习相结合，应对了这一挑战。更具体地说，动态占据栅格地图被用作深度卷积神经网络的输入。这带来了利用单个时间步长的空间分布速度估计进行预测的优势，而非使用原始数据序列，从而缓解了处理多传感器输入时间序列的常见问题。此外，卷积神经网络具有利用上下文信息的固有特性，能够对道路使用者的交互进行隐式建模。损失函数中应用了像素级平衡，以抵消静态与动态单元之间的极端不平衡。其主要优势之一在于其全自动标签生成所带来的无监督学习特性。所提出的算法在数小时的记录传感器数据上进行了训练和评估，并与蒙特卡洛模拟进行了比较。
引用
@article{arxiv.1705.08781,
title = {Dynamic Occupancy Grid Prediction for Urban Autonomous Driving: A Deep Learning Approach with Fully Automatic Labeling},
author = {Stefan Hoermann and Martin Bach and Klaus Dietmayer},
journal= {arXiv preprint arXiv:1705.08781},
year = {2017}
}