MotionNet：基于鸟瞰图地图的自动驾驶联合感知与运动预测
计算机视觉与模式识别
2020-03-17 v1
摘要
可靠地感知环境状态（尤其是物体的存在及其运动行为）的能力对自动驾驶至关重要。本工作中，我们提出一种高效的深度模型 MotionNet，从三维点云联合执行感知与运动预测。MotionNet 以一系列 LiDAR 扫描帧作为输入，输出鸟瞰图（BEV）地图，其中编码每个网格单元内的物体类别与运动信息。MotionNet 的骨干为一种新颖的时空金字塔网络，以分层方式提取深层空间与时间特征。为增强预测在时空上的平滑性，MotionNet 的训练进一步由新颖的空间与时间一致性损失所正则化。广泛实验表明，所提方法总体优于最先进方法，包括最新的基于场景流与三维物体检测的方法。这表明所提方法作为基于边界框系统的备份、并为自动驾驶中运动规划器提供互补信息的潜在价值。代码可在 https://github.com/pxiangwu/MotionNet 获取。
引用
@article{arxiv.2003.06754,
title = {MotionNet: Joint Perception and Motion Prediction for Autonomous Driving Based on Bird's Eye View Maps},
author = {Pengxiang Wu and Siheng Chen and Dimitris Metaxas},
journal= {arXiv preprint arXiv:2003.06754},
year = {2020}
}
备注
CVPR 2020