UAP-BEV: 基于环视单目图像生成鸟瞰图的不确定性感知规划
机器人学
2023-06-09 v1
摘要
自动驾驶需要根据原始传感器数据精确推断物体位置。近期端到端学习方法通过鸟瞰图(BEV)分割作为可解释的中间表示,从原始传感器数据直接输出轨迹。基于鸟瞰图(BEV)分割生成代价地图进行运动规划已成为自动驾驶中的主流方法。然而,现有方法存在两个关键缺陷。首先,优化过程过于简单,仅涉及在代价地图上评估一组固定轨迹,轨迹样本未根据其关联代价值进行调整。其次,现有代价地图未考虑由RGB图像与BEV标注中的噪声所引起的代价地图不确定性。因此,这些方法在邻车突然切入、停车、超车、合流等挑战性场景中表现不佳。本文提出UAP-BEV:一种对时空BEV预测中的噪声进行建模以构建不确定性感知占据栅格地图的新方法。通过对最近占据单元距离的查询,获得自车碰撞概率的样本估计。随后,该方法采用无梯度基于采样的优化在代价地图上计算低代价轨迹,且采样分布根据所采样轨迹的最优代价值进行自适应调整。通过在BEV空间中显式建模概率碰撞规避,我们的方法在碰撞规避、路线完成率、完成时间与平顺性上均优于基于代价地图的基线。为进一步验证,我们还在真实世界数据集NuScenes上展示结果,其中碰撞规避与平顺性均有提升。
引用
@article{arxiv.2306.04939,
title = {UAP-BEV: Uncertainty Aware Planning using Bird's Eye View generated from Surround Monocular Images},
author = {Vikrant Dewangan and Basant Sharma and Tushar Choudhary and Sarthak Sharma and Aakash Aanegola and Arun K. Singh and K. Madhava Krishna},
journal= {arXiv preprint arXiv:2306.04939},
year = {2023}
}
备注
Accepted to CASE 2023. Project video available at https://vikr-182.github.io/UAP-BEV