在自动驾驶雷达目标检测网络中利用稀疏性
计算机视觉与模式识别
2023-08-16 v1 人工智能
机器学习
机器人学
摘要
对环境具有精确感知对于确保自动驾驶系统的安全可靠运行至关重要。雷达目标检测网络是此类系统的基本组成部分之一。基于 CNN 的目标检测器在此背景下表现出良好性能，但它们需要大量计算资源。本文研究稀疏卷积目标检测网络，其将强大的基于栅格的检测与低计算资源相结合。我们研究雷达特有的挑战，并提出稀疏核点柱（SKPP）和双体素点卷积（DVPC）作为栅格渲染和稀疏骨干架构的改进方案。我们在 nuScenes 上评估我们的 SKPP-DPVCN 架构，其在 Car AP4.0 上超越基线 5.89%，超越先前 SOTA 4.19%。此外，SKPP-DPVCN 相较基线将平均尺度误差（ASE）降低 21.41%。
引用
@article{arxiv.2308.07748,
title = {Exploiting Sparsity in Automotive Radar Object Detection Networks},
author = {Marius Lippke and Maurice Quach and Sascha Braun and Daniel Köhler and Michael Ulrich and Bastian Bischoff and Wei Yap Tan},
journal= {arXiv preprint arXiv:2308.07748},
year = {2023}
}