从有限视场传感器数据预测动态地图状态

当自主系统部署在真实世界场景中时，传感器通常受到有限视场(FOV)约束，这可能是系统设计自然导致的，也可能是意外遮挡或传感器故障造成的。在无法获得大视场的条件下，能够根据可用数据推断环境信息并预测附近周围环境的状态，对于维持安全准确的运行至关重要。在这项工作中，我们探索了基于有限视场时间序列数据进行动态地图状态预测的深度学习有效性。我们表明，通过将动态传感器数据表示为一种同时捕获空间和时间信息的简单单图像格式，我们可以有效地利用各种现有的图像到图像学习模型，在多样化的传感场景中高精度地预测地图状态。