勿入草地：基于雷达与弱音频监督的可行驶路径
机器人学
2020-09-23 v2 计算机视觉与模式识别
摘要
移动机器人的可靠户外部署需要在给定环境中稳健辨识可行驶路径。当存在雨、雾、黑暗等特定环境因素时，基于 LiDAR 与视觉的感知系统性能显著恶化。基于 FMCW 扫描雷达的感知系统无论环境条件如何均保持完整性能，且测程长于替代传感器。以全监督方式学习基于可行驶性分割雷达扫描不可行，因逐 bin 标注每幅雷达扫描既困难又耗时。因此我们透过基于音频的分类器弱监督训练该雷达分类器，后者能预测机器人下方地形类型。结合里程计、GPS 与音频分类器的地形标签，我们得以构建环境中机器人的地形标注轨迹，并用以标注雷达扫描。利用课程学习流程，我们随后训练雷达分割网络以泛化超越初始标注，并检测环境中所有可行驶路径。
引用
@article{arxiv.2005.05175,
title = {Keep off the Grass: Permissible Driving Routes from Radar with Weak Audio Supervision},
author = {David Williams and Daniele De Martini and Matthew Gadd and Letizia Marchegiani and Paul Newman},
journal= {arXiv preprint arXiv:2005.05175},
year = {2020}
}
备注
accepted for publication at the IEEE Intelligent Transportation Systems Conference (ITSC) 2020