在连续驾驶空间中生成证据性 BEV 地图
计算机视觉与模式识别
2023-09-12 v2
摘要
安全性对自动驾驶至关重要，而提升安全性的一个方面是准确捕捉感知系统的不确定性，尤其是识别未知事物。不同于仅提供确定性或概率性结果（例如仅提供感知场景部分信息的概率目标检测），我们提出了一种名为 GevBEV 的完整概率模型。它将二维驾驶空间解释为具有基于点的空间高斯分布的概率鸟瞰图（BEV）地图，从中可以提取证据，作为连续驾驶空间中任意新样本点的类别型 Dirichlet 分布的参数。实验结果表明，GevBEV 不仅提供了更可靠的不确定性量化，而且在模拟和真实世界驾驶场景的协同感知 BEV 地图解释基准 OPV2V 和 V2V4Real 上，均优于先前的工作。协同感知中的一个关键因素是通过通信信道的数据传输大小。GevBEV 通过仅从学习到的不确定性中选择最重要的信息进行共享来帮助减少通信开销，在性能仅有轻微下降的情况下，将平均通信信息量减少了 87%。我们的代码已发布于 https://github.com/YuanYunshuang/GevBEV。
引用
@article{arxiv.2302.02928,
title = {Generating Evidential BEV Maps in Continuous Driving Space},
author = {Yunshuang Yuan and Hao Cheng and Michael Ying Yang and Monika Sester},
journal= {arXiv preprint arXiv:2302.02928},
year = {2023}
}