基于鸟瞰图表示与深度学习的无人机高速公路轨迹预测
机器人学
2022-07-05 v1
摘要
本文提出一种利用高效鸟瞰图表示与卷积神经网络预测高速公路场景下车辆轨迹的新方法。车辆位置、运动历史、道路配置与车辆交互可借助基础视觉表示轻松纳入预测模型。我们选用U-net模型作为预测核心，通过图像到图像的回归方法生成场景的未来视觉表示。为实现亚像素分辨率，我们实现了一种从生成图形表示中提取车辆位置的方法。该方法使用车载传感器数据集PREVENTION进行训练与评估。我们评估了不同的网络配置与场景表示。本研究发现，采用6层深度、线性终端层及车辆高斯表示的U-net是性能最佳的配置。研究发现使用车道线标记并未改善预测性能。对于2.0秒的预测轨迹长度，纵向与横向坐标的平均预测误差分别为0.47与0.38米，最终预测误差分别为0.76与0.53米。预测误差相比基线方法最高降低50%。
引用
@article{arxiv.2207.01406,
title = {Reactive Navigation of an Unmanned Aerial Vehicle with Perception-based Obstacle Avoidance Constraints},
author = {Björn Lindqvist and Sina Sharif Mansouri and Jakub Haluška and George Nikolakopoulos},
journal= {arXiv preprint arXiv:2207.01406},
year = {2022}
}
备注
16 pages, 28 figures