Deep Radar Inverse Sensor Models for Dynamic Occupancy Grid Maps

要約

自動運転を実装するには、センサー入力に基づいて車両環境をモデル化することが重要なステップの 1 つです。
レーダーは、そのよく知られた利点により、車両の周囲のグリッドセルの占有状態を推測するための一般的なオプションになりました。
データの希薄性とレーダー検出のノイズに取り組むために、希薄なレーダー検出から極測定グリッドへのマッピングを学習する深層学習ベースの逆センサー モデル (ISM) を提案します。
改良された LIDAR ベースの測定グリッドが参照として使用されます。
学習されたレーダー測定グリッドは、レーダー ドップラー速度測定と組み合わせて、ダイナミック グリッド マップ (DGM) の生成にさらに使用されます。
現実世界の高速道路シナリオでの実験では、私たちのアプローチが手作りの幾何学的な ISM よりも優れていることが示されています。
最先端の深層学習手法と比較すると、私たちのアプローチは、限られた視野 (FOV) を持つレーダーから極座標方式で単一フレームの測定グリッドを学習する最初の手法です。
学習フレームワークにより、学習された ISM がレーダーの取り付けから独立します。
これにより、ネットワークの再トレーニングや 360{\deg} センサーのカバー範囲の要件を必要とせずに、1 つ以上のレーダー センサーを柔軟に使用できるようになります。

要約(オリジナル)

To implement autonomous driving, one essential step is to model the vehicle environment based on the sensor inputs. Radars, with their well-known advantages, became a popular option to infer the occupancy state of grid cells surrounding the vehicle. To tackle data sparsity and noise of radar detections, we propose a deep learning-based Inverse Sensor Model (ISM) to learn the mapping from sparse radar detections to polar measurement grids. Improved lidar-based measurement grids are used as reference. The learned radar measurement grids, combined with radar Doppler velocity measurements, are further used to generate a Dynamic Grid Map (DGM). Experiments in real-world highway scenarios show that our approach outperforms the hand-crafted geometric ISMs. In comparison to state-of-the-art deep learning methods, our approach is the first one to learn a single-frame measurement grid in the polar scheme from radars with a limited Field Of View (FOV). The learning framework makes the learned ISM independent of the radar mounting. This enables us to flexibly use one or more radar sensors without network retraining and without requirements on 360{\deg} sensor coverage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google