廣告
一種面向自動駕駛汽車定位的基于深度神經網(wǎng)絡的大尺度建圖方法
2021-09-14 21:28:08· 來源：同濟智能汽車研究所
2 相關工作
文獻中提出了幾種技術，這些技術使用神經網(wǎng)絡和從傳感器（如激光雷達、雷達、聲納等）獲取的點云數(shù)據(jù)。這些傳感器的數(shù)據(jù)用于多種用途，例如構建占用柵格地圖、定位和3D點云語義分割。
桑托斯等人[12]提出了一種系統(tǒng)，該系統(tǒng)使用安裝在機器人周圍的超聲波傳感器數(shù)據(jù)作為前饋神經網(wǎng)絡的輸入，該網(wǎng)絡確定機器人周圍的單元格是空閑還是被占用。這項工作僅處理環(huán)境先驗地圖骨架中單元格的占用情況。
古普塔等人[13]建議使用聲納傳感器提供的數(shù)據(jù)創(chuàng)建占用柵格地圖。傳感器的測量值被轉換為環(huán)境的概率表示，描述網(wǎng)格單元是空的、被占用的還是未知區(qū)域。由于環(huán)境的變化會影響轉換，因此使用神經網(wǎng)絡來學習這些轉換，使傳感器數(shù)據(jù)更能適應變化。
韋斯頓等人[14]提出了一種使用原始雷達（radar）數(shù)據(jù)和LiDAR數(shù)據(jù)通過DNN創(chuàng)建占用柵格地圖的技術。雷達傳感器能夠檢測遠距離和部分被遮擋的物體，并且比LiDAR便宜，但眾所周知，由于存在多種相關噪聲偽影，雷達掃描難以解釋，而LiDAR系統(tǒng)提供精確、細粒度的測量。DNN使用由LiDAR數(shù)據(jù)生成的部分占用標簽進行訓練，并在動態(tài)城市環(huán)境中根據(jù)5小時的記錄數(shù)據(jù)進行評估。
吳等人[15]提出了SqueezeSeg，這是一種CNN（卷積神經網(wǎng)絡），用于對來自LiDAR點云的道路對象（例如汽車、行人和騎自行車者）進行語義分割。CNN使用來自KITTI數(shù)據(jù)集[16]標記好的LiDAR點云和來自高保真游戲引擎的模擬LiDAR的數(shù)據(jù)進行訓練。SqueezeSeg的輸入是點云，輸出是由條件隨機場 (CRF) 細化的逐點標簽圖。每個點云的處理時間為8.7毫秒。Aksoy等人提出的SalsaNet[17]也是一個神經網(wǎng)絡，它直接從LiDAR點云中分割出可供駕駛的自由空間和車輛。訓練過程使用KITTI數(shù)據(jù)集[16]，但它不提供可供駕駛的自由空間標簽，因此他們提出了一個自動系統(tǒng)，使用神經網(wǎng)絡MultiNet[18]在點云中對其進行標注。然后點云表示為4D鳥瞰圖，其中包含有關最大和最小高度、反射率和投影點數(shù)量的信息。該圖像用作訓練DNN的輸入。SalsaNet結果顯示平均IoU為79.74%，而SqueezeSeg結果顯示平均IoU為69.80%。
卡爾塔吉隆等[11]提出了一種僅使用LiDAR數(shù)據(jù)檢測道路的神經網(wǎng)絡方法。DNN的輸入是LiDAR的頂視圖圖像，其中點以灰度表示，代表平均海拔和密度。然后使用KITTI數(shù)據(jù)集[16]訓練一個快速的全卷積神經網(wǎng)絡(FCN)，能夠以94.15% 的精度檢測道路。這項工作中采用的DNN架構基于文獻[11]中使用的完全卷積神經網(wǎng)絡，但目的和數(shù)據(jù)集不同。
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
