雷达伪影标注框架（RALF）：数据集中可信雷达检测的方法
机器人学
2020-12-04 v1 人工智能
机器学习
摘要
针对自动驾驶的定位与感知研究主要集中在相机和 LiDAR 数据集上，很少涉及雷达数据。人工标注稀疏雷达点云具有挑战性。为生成数据集，我们提出了跨传感器雷达伪影标注框架（RALF）。自动生成的车载雷达数据标签有助于改善雷达在人工智能应用中的缺陷（如伪影）。RALF 为雷达原始检测提供可信性标签，区分伪影与目标。光学评估主干由环视相机的广义单目深度图像估计与 LiDAR 扫描组成。现代汽车的相机与 LiDAR 传感器套件可在重叠感知区域中校准基于图像的相对深度信息。K-近邻匹配将光学感知点云与雷达原始检测相关联。同时，一个时序跟踪评估部分考虑雷达检测的瞬态行为。基于匹配间的距离，并顾及传感器与模型不确定性，我们对每个雷达检测提出可信度评级。我们通过在对 个点半人工标注的地面真值数据集上评估误差指标来验证结果。除生成可信雷达检测外，该框架还支持进一步的标注低层雷达信号数据集，用于感知与自动驾驶学习任务。
引用
@article{arxiv.2012.01993,
title = {Radar Artifact Labeling Framework (RALF): Method for Plausible Radar Detections in Datasets},
author = {Simon T. Isele and Marcel P. Schilling and Fabian E. Klein and Sascha Saralajew and J. Marius Zoellner},
journal= {arXiv preprint arXiv:2012.01993},
year = {2020}
}
备注
pre-print, currently under review