日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

一種面向自動(dòng)駕駛汽車定位的基于深度神經(jīng)網(wǎng)絡(luò)的大尺度建圖方法

2021-09-14 21:28:08·  來源：同濟(jì)智能汽車研究所  
　
編者按：占用柵格地圖是無人駕駛汽車的定位和規(guī)劃模塊所需的重要輸入。深度神經(jīng)網(wǎng)絡(luò)亦是近年來智能駕駛研究的一大熱點(diǎn)。所推薦的這篇文章借助深度神經(jīng)網(wǎng)絡(luò)生成滿
編者按：占用柵格地圖是無人駕駛汽車的定位和規(guī)劃模塊所需的重要輸入。深度神經(jīng)網(wǎng)絡(luò)亦是近年來智能駕駛研究的一大熱點(diǎn)。所推薦的這篇文章借助深度神經(jīng)網(wǎng)絡(luò)生成滿足無人駕駛汽車需求的占用柵格地圖，并提供豐富的視頻材料證明了所提出方法能被成功用于實(shí)車無人駕駛。

本文譯自：《A Large-Scale Mapping Method based on Deep Neural Networks Applied to Self-Driving Car Localization》
文章來源：2020 International Joint Conference on Neural Networks (IJCNN), 2020
作者：Vinicius B. Cardoso, André Seidel Oliveira, Avelino Forechi, Pedro Azevedo, Filipe Mutz
原文鏈接：https://ieeexplore.ieee.org/abstract/document/9207449

摘要：本文提出了一種使用名為NeuralMapper的深度神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)創(chuàng)建自動(dòng)駕駛汽車所需占用地圖的新方法。NeuralMapper接收LiDAR傳感器數(shù)據(jù)作為輸入，并生成汽車周圍的占用柵格地圖作為輸出。NeuralMapper推算每個(gè)柵格地圖單元格作為以下三個(gè)類別之一的概率：占用、空閑和未知。該系統(tǒng)在兩個(gè)數(shù)據(jù)集上進(jìn)行了測(cè)試，平均準(zhǔn)確率分別為76.48%和73.81%。本文還使用自動(dòng)駕駛汽車評(píng)估了所提出方法用于定位的效果，大多數(shù)定位位姿誤差小于0.20m，RMSE 為0.28m，這與其他文獻(xiàn)中使用其他柵格地圖建立方法的結(jié)果接近。
關(guān)鍵詞：自動(dòng)駕駛汽車，建圖，深度神經(jīng)網(wǎng)絡(luò)

1 引言

在過去的二十年里，自動(dòng)駕駛汽車取得了長(zhǎng)足的進(jìn)步。2004年，美國(guó)國(guó)防高級(jí)研究計(jì)劃局(DARPA)發(fā)起了第一次自動(dòng)駕駛汽車競(jìng)賽，目標(biāo)是在沒有人為干預(yù)的情況下穿越莫哈韋沙漠[1]——在這場(chǎng)比賽中，沒有一個(gè)參賽者實(shí)現(xiàn)了目標(biāo)。在第一次嘗試之后，DARPA在2005年和2007年推動(dòng)了另外兩項(xiàng)競(jìng)賽，分別有5輛和6輛汽車完成了提出的挑戰(zhàn)。這些事件極大促進(jìn)了自動(dòng)駕駛汽車的發(fā)展，推動(dòng)了自動(dòng)駕駛汽車在今天成為現(xiàn)實(shí)。谷歌、沃爾沃和優(yōu)步等公司正在全球多個(gè)城市進(jìn)行試驗(yàn)，向公眾提供自動(dòng)駕駛服務(wù)。

盡管在該領(lǐng)域已經(jīng)取得了巨大進(jìn)步，但今天的自動(dòng)駕駛汽車仍然無法準(zhǔn)確應(yīng)對(duì)日常城市交通中遇到的所有情況和天氣條件。出于這個(gè)原因，世界各地的大學(xué)和研究中心都在進(jìn)行研究，以改進(jìn)這項(xiàng)技術(shù)并提高自動(dòng)駕駛汽車的自主水平。

IARA（智能自主機(jī)器人汽車）自動(dòng)駕駛汽車，如圖2所示，自2009年以來一直由圣埃斯皮里托聯(lián)邦大學(xué)（Universidade Federal do Espírito Santo – UFES, Brazil）的高性能計(jì)算實(shí)驗(yàn)室（Laboratório de Computação de Alto Desempenho - LCAD）開發(fā)。IARA以福特Escape Hybrid為基礎(chǔ)，采用了各種傳感器和處理單元。其自主系統(tǒng)遵循自動(dòng)駕駛汽車的典型架構(gòu)[2]，由多個(gè)子系統(tǒng)組成，其中包括建圖器[3]、定位器[4]、動(dòng)態(tài)障礙物跟蹤器[5]、交通標(biāo)志檢測(cè)器[6][7]、路線規(guī)劃器、路徑規(guī)劃器、行為選擇器、運(yùn)動(dòng)規(guī)劃器[8]、避障器[9]和控制器[10]等。IARA 使用的地圖由LiDAR點(diǎn)云通過在線和離線建圖方式生成。考慮到LiDAR測(cè)量值可能因環(huán)境條件（例如下雨、落葉、反射面不平整）或傳感器本身噪聲引起的測(cè)量誤差而不準(zhǔn)確，因此建圖系統(tǒng)不能完全依賴LiDAR直接測(cè)量的距離和位置。因此，對(duì)于建圖，有必要使用考慮所有這些不確定性的技術(shù)來嘗試盡可能多地過濾傳感器誤差。
目前IARA中使用的算法旨在通過LiDAR傳感器每次新測(cè)量值來更新區(qū)塊占用的概率。為此，基于貝葉斯濾波器的占用柵格地圖(OGM)算法[3]被應(yīng)用于逐漸增加或減少柵格地圖每個(gè)單元格的占用置信度。然而，這種方法對(duì)于遠(yuǎn)距離的目標(biāo)不是很準(zhǔn)確。此外，因?yàn)樗褂玫腛GM算法沒有考慮空間不連續(xù)性，有必要使用算法來推斷任何傳感器均不能觀測(cè)到的單元格的占用情況。此外，建圖算法需要處理數(shù)千行代碼中的幾種特殊情況，以找到正確提取傳感器測(cè)量數(shù)據(jù)特征的最佳方法[3]。


圖1 NeuralMapper架構(gòu)概述。左側(cè)的輸入顯示了LiDAR點(diǎn)云原始數(shù)據(jù)。NeuralMapper將地面上的原始數(shù)據(jù)投影為一組2D統(tǒng)計(jì)圖。統(tǒng)計(jì)圖經(jīng)過編碼器、Context Module和解碼器進(jìn)行處理，以生成占用柵格地圖作為輸出。在地圖中，未知單元格為藍(lán)色，空閑單元格為白色，占用單元格為黑色。
受IARA建圖方法的這些局限性以及深度學(xué)習(xí)的進(jìn)步的啟發(fā)，本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)(DNN)的占用柵格地圖實(shí)時(shí)推斷新方法，名為NeuralMapper。NeuralMapper是IARA自主軟件架構(gòu)的一個(gè)子系統(tǒng)，它接收LiDAR傳感器數(shù)據(jù)作為輸入，并生成汽車周圍的占用柵格地圖作為輸出。在NeuralMapper中，每個(gè)LiDAR點(diǎn)云在LiDAR參考系中從球面坐標(biāo)轉(zhuǎn)換為二維笛卡爾坐標(biāo)。然后，使用這些數(shù)據(jù)的統(tǒng)計(jì)數(shù)據(jù)從2D LiDAR數(shù)據(jù)中計(jì)算出五個(gè)矩陣（NeuralMapper的輸入數(shù)據(jù)遵循Caltagirone等人[11]采用的數(shù)據(jù)形式）。這五個(gè)矩陣組合成一個(gè)五通道張量，用作NeuralMapper DNN的輸入。所考慮的統(tǒng)計(jì)數(shù)據(jù)是落入汽車周圍柵格地圖的一個(gè)單元格的激光射線的數(shù)量，以及單元格中的被射線所擊中的障礙物高度的最大值、最小值、平均值和標(biāo)準(zhǔn)偏差。


圖2 自動(dòng)駕駛汽車典型架構(gòu)總覽[2]。
TSD:交通信號(hào)檢測(cè) MOT:移動(dòng)對(duì)象跟蹤。
網(wǎng)絡(luò)的輸出是一個(gè)占用柵格地圖，它具有與每個(gè)柵格地圖單元三個(gè)可能類別中每一個(gè)的相應(yīng)概率：未知、空閑或已占用。該地圖被轉(zhuǎn)換至汽車參考系并發(fā)布到其他IARA的子系統(tǒng)（見圖2）。NeuralMapper的框圖如圖1所示。
本文使用IARA采集實(shí)車數(shù)據(jù)評(píng)估了NeuralMapper。該系統(tǒng)使用IARA傳感器數(shù)據(jù)構(gòu)建的兩個(gè)數(shù)據(jù)集進(jìn)行了測(cè)試，第一個(gè)數(shù)據(jù)集的平均準(zhǔn)確率為76.48%，第二個(gè)數(shù)據(jù)集的平均準(zhǔn)確率為73.81%。本文還通過IARA評(píng)估了使用NeuralMapper地圖進(jìn)行定位，大多數(shù)IARA的定位誤差小于0.2m，RMSE為0.28m。這些結(jié)果與其他文獻(xiàn)中使用其他柵格地圖建立方法的結(jié)果接近。
以下部分將通過文獻(xiàn)綜述和借助IARA的實(shí)車實(shí)驗(yàn)來評(píng)估該方法的能力。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25