无交通标志场景中道路可供性(affordances)的弱监督推断与学习
机器人学
2019-11-28 v1
摘要
道路属性理解被广泛研究以支撑自动驾驶车辆的动作，而当前工作主要聚焦于城市道路网并高度依赖交通标志。本文将同一问题推广至极少或无交通标志的场景，如校园与居民区。这些场景面临更多样化的个体外观而标注数据集极少。为应对这些挑战，提出一种弱监督框架，在无人工标注情况下推断并学习道路可供性(affordances)，其包含可行驶方向、驾驶注意中心与剩余距离三个属性。该方法包含两步：从轨迹推断可供性，以及从部分标注数据学习。第一步分析车辆轨迹以在图像上获得部分可供性标注，第二步实现弱监督网络以学习部分标注并预测完整道路可供性，同时在测试时预测。收集真实世界数据集验证所提方法，在熟悉与陌生场景中分别取得方向级 88.2%/80.9% 准确率与图像级 74.3%/66.7% 准确率。
引用
@article{arxiv.1911.12007,
title = {Weakly-Supervised Road Affordances Inference and Learning in Scenes without Traffic Signs},
author = {Huifang Ma and Yue Wang and Rong Xiong and Sarath Kodagoda and Qianhui Luo},
journal= {arXiv preprint arXiv:1911.12007},
year = {2019}
}