探索OpenStreetMap在驾驶环境理解中的可用性
人机交互
2019-03-12 v1 人工智能
摘要
随着人工智能的巨大成就,车辆技术已从以人为中心的驾驶显著迈向全自动驾驶。智能车辆应能够理解驾驶者对环境的感知以及车辆的控制行为。由于高精数字地图信息已可提供关于静态道路、建筑物和交通基础设施的丰富环境上下文,探索地图数据对驾驶任务理解的能力是值得的。作为商业地图的替代,OpenStreetMap (OSM) 数据是一个免费开放数据集,这使其对探索性研究独具价值。本研究聚焦于利用 OSM 进行驾驶环境理解的两项任务。首先,从 OSM 要素中检索驾驶场景属性,并将其与车辆动态信号结合用于驾驶事件识别。利用转向角变化并基于双向循环神经网络(Bi-RNN),将驾驶序列分割并分类为车道保持、左变道、右变道、左转和右转事件。其次,对于自动驾驶感知,OSM 数据可用于渲染虚拟街景,作为先验知识融合视觉/激光系统以进行道路语义分割。从 OSM、图像和激光雷达(Lidar)点生成五类不同的道路掩码,并融合以在驾驶者视角表征可行驶空间。另一种数据驱动方法基于全卷积网络(FCN),讨论了 OSM 对深度学习方法的可用性,以揭示其在补偿街景图像和自动道路语义标注上的潜在用途。
引用
@article{arxiv.1903.04084,
title = {Exploring OpenStreetMap Availability for Driving Environment Understanding},
author = {Yang Zheng and Izzat H. Izzat and John H. L. Hansen},
journal= {arXiv preprint arXiv:1903.04084},
year = {2019}
}
备注
12 pages, 16 figures