面向自动驾驶的激光雷达时序帧预测
计算机视觉与模式识别
2020-12-18 v1 机器学习
摘要
在动态场景中预判未来对自动驾驶与机器人等诸多领域至关重要。本文提出一类新颖的神经网络架构，用于根据先前帧预测未来的 LiDAR 帧。由于该应用的真实标签仅为序列中的下一帧，我们可以以自监督方式训练模型。我们所提架构基于 FlowNet3D 与 Dynamic Graph CNN。我们使用倒角距离（CD）与推土机距离（EMD）作为损失函数与评估指标。我们利用新发布的 nuScenes 数据集训练并评估模型，并通过若干基线刻画其性能与复杂度。与直接使用 FlowNet3D 相比，我们所提架构的 CD 与 EMD 降低了近一个数量级。此外，我们表明无需任何标注监督，我们的预测即可生成合理的场景流近似。
引用
@article{arxiv.2012.09409,
title = {Temporal LiDAR Frame Prediction for Autonomous Driving},
author = {David Deng and Avideh Zakhor},
journal= {arXiv preprint arXiv:2012.09409},
year = {2020}
}
备注
In 3DV 2020