基于深度学习的证据占据栅格地图增强
机器人学
2018-12-06 v3
摘要
详尽的环境表征是自动驾驶车辆的关键组成部分。使用单一距离传感器扫描时，数据往往过于稀疏且受遮挡影响。因此，我们提出一种方法，利用深度学习将单视角占据栅格地图增强至类似于由多视角获取的证据占据地图。为此，我们估计连续距离传感器测量间的运动，并在广泛的后处理步骤中创建证据 3D 体素地图。在该体素地图中，我们使用证据理论显式建模不确定性，并借助组合规则生成 2D 投影。作为神经网络输入，我们采用由检测、传输与强度三项特征组成的多层栅格地图，每项均含地面与非地面测量。最后，我们进行了定量与定性评估，表明不同网络架构可实时准确推断证据测度。
引用
@article{arxiv.1801.05297,
title = {Evidential Occupancy Grid Map Augmentation using Deep Learning},
author = {Sascha Wirges and Felix Hartenbach and Christoph Stiller},
journal= {arXiv preprint arXiv:1801.05297},
year = {2018}
}
备注
6 pages, 5 figures