面向基于激光雷达的证据式道路建图的神经网络融合

激光雷达（LIDAR）传感器通常用于为自动驾驶车辆提供其环境的3D表征。在理想条件下，几何模型可在LIDAR扫描中检测道路，但代价是数值约束的手动调参以及灵活性的缺乏。我们转而提出一种证据式处理流水线，以累积由神经网络获得的道路检测结果。首先，我们引入RoadSeg，一种为LIDAR扫描中道路检测优化的新型卷积架构。RoadSeg用于将单个LIDAR点分类为属于道路或不属于道路。然而，此类点级分类结果需转换为自动驾驶车辆可用的稠密表征。因此我们其次提出一种证据式道路建图算法，融合连续的道路检测结果。我们得益于对逻辑分类器的重新诠释，其可被视为生成一组简单的证据质量函数。随后，通过将RoadSeg的分类结果投影至栅格单元，并通过冲突分析处理运动物体，可获得描绘道路的证据栅格地图。该系统在真实数据上训练与评估。一种python实现维持10 Hz帧率。由于训练需要道路标签，采用了依赖车道级高精地图的软标注流程来生成粗训练与验证集。另有一个测试集被手动标注以用于评估。为获得满意结果，系统融合了由处理不同LIDAR特征的三种RoadSeg变体所得的道路检测结果。