自动驾驶中广义传感器融合的可扩展基元
计算机视觉与模式识别
2021-12-02 v1 机器人学
摘要
在自动驾驶中，深度神经网络在感知、预测和规划任务中的使用呈爆发式增长。随着自动驾驶车辆（AVs）日益接近量产，多模态传感器输入以及具有不同传感器平台集合的异构车辆车队在工业界正变得愈发常见。然而，神经网络架构通常针对特定传感器平台，对输入变化不具备鲁棒性，使得扩展与模型部署问题尤为困难。此外，大多数参与者仍将对软件与硬件优化的处理视为完全独立的问题。我们提出一种新的端到端架构，广义传感器融合（GSF），其设计使得传感器输入与目标任务均为模块化且可修改。这使 AV 系统设计师能轻松试验不同传感器配置与方法，并开启了使用跨大型工程组织共享的相同模型部署于异构车队的能力。利用该系统，我们报告了实验结果，展示了在 3D 目标检测任务中昂贵的低密度（HD）LiDAR 传感器与廉价低密度（LD）LiDAR 加相机装置近乎持平的性能。这为工业界联合设计硬件与软件架构以及具有异构配置的庞大车队铺平了道路。
引用
@article{arxiv.2112.00219,
title = {Scalable Primitives for Generalized Sensor Fusion in Autonomous Vehicles},
author = {Sammy Sidhu and Linda Wang and Tayyab Naseer and Ashish Malhotra and Jay Chia and Aayush Ahuja and Ella Rasmussen and Qiangui Huang and Ray Gao},
journal= {arXiv preprint arXiv:2112.00219},
year = {2021}
}
备注
Presented in Machine Learning for Autonomous Driving Workshop at the 35th Conference on Neural Information Processing Systems (NeurIPS 2021), Sydney, Australia. 11 pages, 8 figures