Optical Flow for Autonomous Driving: Applications, Challenges and Improvements

要約

オプティカル フローの推定は、自動運転アプリケーションでよく研究されているトピックです。
多くの優れたオプティカル フロー推定方法が提案されていますが、一般的に遭遇する困難なシナリオでテストすると、それらは誤りになります。
自動運転における近接場センシングに魚眼カメラの使用が増加しているにもかかわらず、強いレンズ歪みを伴うオプティカル フロー推定に関する文献は非常に限られています。
したがって、オプティカル フローのグラウンド トゥルースを備えた唯一の既存の魚眼データセットを活用して、学習ベースのオプティカル フロー アルゴリズムを改善するためのトレーニング戦略を提案および評価します。
合成データでトレーニングされている間、モデルは現実世界の魚眼データに一般化する強力な機能を示しています。
既存の最先端のアルゴリズムが無視しているもう 1 つの課題は、低照度です。
このような状況で既存のメソッドのパフォーマンスを大幅に向上させる、新しい一般的な半教師付きフレームワークを提案します。
私たちの知る限り、これは暗い場所でのオプティカル フローの推定を明示的に処理する最初のアプローチです。

要約(オリジナル)

Optical flow estimation is a well-studied topic for automated driving applications. Many outstanding optical flow estimation methods have been proposed, but they become erroneous when tested in challenging scenarios that are commonly encountered. Despite the increasing use of fisheye cameras for near-field sensing in automated driving, there is very limited literature on optical flow estimation with strong lens distortion. Thus we propose and evaluate training strategies to improve a learning-based optical flow algorithm by leveraging the only existing fisheye dataset with optical flow ground truth. While trained with synthetic data, the model demonstrates strong capabilities to generalize to real world fisheye data. The other challenge neglected by existing state-of-the-art algorithms is low light. We propose a novel, generic semi-supervised framework that significantly boosts performances of existing methods in such conditions. To the best of our knowledge, this is the first approach that explicitly handles optical flow estimation in low light.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google