基于循环神经网络的可行驶空间占据栅格图多步预测
机器学习
2019-01-24 v3 计算机视觉与模式识别
机器人学
机器学习
摘要
我们研究以占据栅格图（OGMs）表示的自动驾驶车辆可行驶空间的多步预测。我们的动机在于，对可行驶空间的准确多步预测可有效改进路径规划与导航，从而在自动驾驶中得出安全、舒适且最优的路径。我们在来自 KITTI 数据集的 OGM 序列上训练了多种基于循环神经网络（RNN）的架构。结果表明，采用我们所提出的差分学习方法并融入运动相关特征，相较当前最优方法预测精度有显著提升。我们通过将 OGM 序列变换到统一坐标系来消除自运动。尽管变换后的序列中 KITTI 数据集严重偏向静态物体，通过学习连续 OGM 之间的差分，我们的方法对静态与运动物体均能提供准确预测。
引用
@article{arxiv.1812.09395,
title = {Multi-Step Prediction of Occupancy Grid Maps with Recurrent Neural Networks},
author = {Nima Mohajerin and Mohsen Rohani},
journal= {arXiv preprint arXiv:1812.09395},
year = {2019}
}