动态环境中基于时空学习的未来占据栅格预测
计算机视觉与模式识别
2022-05-09 v1 人工智能
摘要
可靠预测高度动态城市环境的未来占据情况，是安全自主导航的重要前提。预测中的常见挑战包括：预测其他车辆的相对位置、建模受不同交通状况影响的车辆动力学，以及周围物体的消失。为应对这些挑战，我们提出了一种时空预测网络流程，该流程分别利用来自环境和语义标签的过去信息以生成未来占据预测。与当前 SOTA 相比，我们的方法在来自 nuScenes 数据集的相对复杂环境中预测了更长的 3 秒时域。我们的实验结果表明，时空网络能够理解场景动力学，而无需 HD-Maps 和显式建模动态物体。我们公开发布了基于 nuScenes 的占据栅格数据集以支持进一步研究。
引用
@article{arxiv.2205.03212,
title = {Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning},
author = {Khushdeep Singh Mann and Abhishek Tomy and Anshul Paigwar and Alessandro Renzaglia and Christian Laugier},
journal= {arXiv preprint arXiv:2205.03212},
year = {2022}
}
备注
Accepted as an conference paper at 33rd IEEE Intelligent Vehicles Symposium, 7 pages, 6 figures