广告
一种面向自动驾驶汽车定位的基于深度神经网络的大尺度建图方法
2021-09-14 21:28:08· 来源：同济智能汽车研究所
2 相关工作
文献中提出了几种技术，这些技术使用神经网络和从传感器（如激光雷达、雷达、声纳等）获取的点云数据。这些传感器的数据用于多种用途，例如构建占用栅格地图、定位和3D点云语义分割。
桑托斯等人[12]提出了一种系统，该系统使用安装在机器人周围的超声波传感器数据作为前馈神经网络的输入，该网络确定机器人周围的单元格是空闲还是被占用。这项工作仅处理环境先验地图骨架中单元格的占用情况。
古普塔等人[13]建议使用声纳传感器提供的数据创建占用栅格地图。传感器的测量值被转换为环境的概率表示，描述网格单元是空的、被占用的还是未知区域。由于环境的变化会影响转换，因此使用神经网络来学习这些转换，使传感器数据更能适应变化。
韦斯顿等人[14]提出了一种使用原始雷达（radar）数据和LiDAR数据通过DNN创建占用栅格地图的技术。雷达传感器能够检测远距离和部分被遮挡的物体，并且比LiDAR便宜，但众所周知，由于存在多种相关噪声伪影，雷达扫描难以解释，而LiDAR系统提供精确、细粒度的测量。DNN使用由LiDAR数据生成的部分占用标签进行训练，并在动态城市环境中根据5小时的记录数据进行评估。
吴等人[15]提出了SqueezeSeg，这是一种CNN（卷积神经网络），用于对来自LiDAR点云的道路对象（例如汽车、行人和骑自行车者）进行语义分割。CNN使用来自KITTI数据集[16]标记好的LiDAR点云和来自高保真游戏引擎的模拟LiDAR的数据进行训练。SqueezeSeg的输入是点云，输出是由条件随机场 (CRF) 细化的逐点标签图。每个点云的处理时间为8.7毫秒。Aksoy等人提出的SalsaNet[17]也是一个神经网络，它直接从LiDAR点云中分割出可供驾驶的自由空间和车辆。训练过程使用KITTI数据集[16]，但它不提供可供驾驶的自由空间标签，因此他们提出了一个自动系统，使用神经网络MultiNet[18]在点云中对其进行标注。然后点云表示为4D鸟瞰图，其中包含有关最大和最小高度、反射率和投影点数量的信息。该图像用作训练DNN的输入。SalsaNet结果显示平均IoU为79.74%，而SqueezeSeg结果显示平均IoU为69.80%。
卡尔塔吉隆等[11]提出了一种仅使用LiDAR数据检测道路的神经网络方法。DNN的输入是LiDAR的顶视图图像，其中点以灰度表示，代表平均海拔和密度。然后使用KITTI数据集[16]训练一个快速的全卷积神经网络(FCN)，能够以94.15% 的精度检测道路。这项工作中采用的DNN架构基于文献[11]中使用的完全卷积神经网络，但目的和数据集不同。
广告
广告
编辑推荐
最新资讯
-
HEAD acoustics下线检测：最高级别的质量保
2024-11-15 17:09
-
新能源公司与哈尔滨理工大学联合研究中心揭
2024-11-15 17:07
-
标准研究 | 汽车也要保持“头脑清醒”？有
2024-11-15 17:05
-
基础模型在推进自动驾驶汽车中的前瞻性作用
2024-11-15 17:03
-
中国汽研智能驾驶自主可控检测装备首批联合
2024-11-15 17:01
广告
广告
