基于条件生成对抗网络的实际超声环境仿真
计算机视觉与模式识别
2019-02-27 v1
摘要
近来，使用神经网络尤其是生成神经网络（GAN）的真实数据增强取得了出色的结果。学界的主要研究焦点是视觉图像处理。然而，自动驾驶汽车和机器人配备了大量传感器以实现高冗余度。除其他外，超声传感器因其低成本和高可靠性的近场测距能力而常被使用。因此，模式识别也需要应用于超声信号。机器学习需要大量数据集，而这些测量耗时、昂贵且对硬件和环境变化不灵活。另一方面，目前不存在确定性仿真这些信号的方法。我们提出了一种使用条件 GAN（cGAN）合成超声信号仿真的新方法。据我们所知，我们提出了首个面向汽车超声的真实数据增强。cGAN 的性能使我们能够将真实环境仿真提升到新水平。通过使用设置和环境参数作为条件，所提方法对外部影响具有灵活性。由于数据生成的低复杂度和时间开销，我们优于其他仿真算法，例如有限元法。我们通过详细的统计分析并将生成的数据与大量实测信号进行比较，验证了方法的出色精度和真实感。
引用
@article{arxiv.1902.09842,
title = {Realistic Ultrasonic Environment Simulation Using Conditional Generative Adversarial Networks},
author = {Maximilian Pöpperl and Raghavendra Gulagundi and Senthil Yogamani and Stefan Milz},
journal= {arXiv preprint arXiv:1902.09842},
year = {2019}
}