基于语义分割从稀疏雷达簇学习占用栅格的的道路场景理解
计算机视觉与模式识别
2019-09-04 v2
摘要
占用栅格建图是自动驾驶中道路场景理解的重要组件。它封装了可行驶区域、道路障碍物的信息，并实现安全自动驾驶。雷达是自动驾驶视觉中新兴的传感器，因其远距离感知、低成本及对恶劣气候的鲁棒性而日益广泛使用。尽管深度学习技术近期取得进展，基于雷达数据的占用栅格建图仍主要使用经典滤波方法。本工作中，我们提出从聚类雷达数据学习用于占用栅格建图的逆传感器模型。这以数据驱动方式完成，利用了计算机视觉技术。该任务因雷达传感器的数据稀疏与噪声特性而极具挑战。问题被表述为语义分割任务，我们展示了如何利用激光雷达数据生成真值进行学习。我们定性兼定量地表明，使用近期发布的 NuScenes 真实世界驾驶数据，我们所学的占用网络大幅优于经典方法。
引用
@article{arxiv.1904.00415,
title = {Road Scene Understanding by Occupancy Grid Learning from Sparse Radar Clusters using Semantic Segmentation},
author = {Liat Sless and Gilad Cohen and Bat El Shlomo and Shaul Oron},
journal= {arXiv preprint arXiv:1904.00415},
year = {2019}
}