HydraFusion：面向鲁棒高效自动驾驶感知的上下文感知选择性传感器融合
计算机视觉与模式识别
2022-01-19 v1
摘要
尽管自动驾驶车辆（AVs）有望革新交通，但在广泛驾驶场景下的鲁棒感知仍是一项重大挑战。已有一些融合来自相机、雷达与激光雷达传感器数据的方法被提出以改善 AV 感知。然而，由于融合实现上的刚性，现有方法在困难驾驶场景（如恶劣天气、低光照、传感器遮挡）中不够鲁棒。这些方法可分为两大类：（i）早期融合，在传感器数据含噪或受阻时失效；（ii）晚期融合，无法利用多传感器特征从而给出更差的估计。为克服这些局限，我们提出 HydraFusion：一种选择性传感器融合框架，其学习识别当前驾驶上下文并融合最优传感器组合以最大化鲁棒性而不牺牲效率。HydraFusion 是首个提出在早期融合、晚期融合及二者之间组合间动态调整的方法，从而改变融合的方式与时机。我们表明，在平均意义上，HydraFusion 分别优于早期与晚期融合方法 13.66% 与 14.54%，且未在行业标准的 Nvidia Drive PX2 AV 硬件平台上增加计算复杂度或能耗。我们还提出并评估了基于静态与深度学习的上下文识别策略。我们的开源代码与模型实现可在 https://github.com/AICPS/hydrafusion 获取。
引用
@article{arxiv.2201.06644,
title = {HydraFusion: Context-Aware Selective Sensor Fusion for Robust and Efficient Autonomous Vehicle Perception},
author = {Arnav Vaibhav Malawade and Trier Mortlock and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2201.06644},
year = {2022}
}
备注
Accepted to be published in the 13th ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS 2022)