基于 GraphSLAM 特征融合的多车道感知
机器人学
2017-06-15 v1
摘要
对环境进行广泛、精确且鲁棒的识别与建模是下一代高级驾驶辅助系统及自动驾驶车辆发展的关键因素。本文提出了一种用于高速公路多车道感知的实时方法。由摄像系统检测到的车道标线与其他交通参与者的观测为该算法提供了输入数据。这些信息通过 GraphSLAM 进行累积与融合，其结果构成了多车道回旋曲线模型的基础。为了允许整合额外的信息源，输入数据以通用格式进行处理。通过将实验车辆在高速公路上收集的真实数据与真值地图进行比较，对该方法进行了评估。结果表明，自车道与相邻车道均能被鲁棒地高质量检测，距离达 120 m。与量产车道检测相比，实现了自车道检测范围的扩大以及相邻车道的连续感知。该方法有望用于自动驾驶车辆的纵向与横向控制。
引用
@article{arxiv.1706.04353,
title = {Multi-Lane Perception Using Feature Fusion Based on GraphSLAM},
author = {Alexey Abramov and Christopher Bayer and Claudio Heller and Claudia Loy},
journal= {arXiv preprint arXiv:1706.04353},
year = {2017}
}