Combined Registration and Fusion of Evidential Occupancy Grid Maps for Live Digital Twins of Traffic

要約

自動運転車 (AV) の連携により、交通の安全性、効率性、快適性が向上します。
協調型高度道路交通システム (C-ITS) のデジタル ツインは、交通の監視、管理、改善において重要な役割を果たします。
交通のライブデジタルツインを計算するには、入力として、できれば自動運転車（AV）などの複数の接続されたエンティティのライブ認識データが必要です。
このようなタイプの知覚データの 1 つは、証拠占有グリッド マップ (OGM) です。
デジタル ツインの計算には、デジタル ツインの時空間的な調整と融合が含まれます。
この研究では、位置合わせとしても知られる空間的な位置合わせと、複数の自動運転車両の証拠となる占有グリッド マップの融合に焦点を当てます。
オブジェクトベースの環境表現の同期と融合については広範な研究が存在しますが、複数のコネクテッド車両から発生する OGM の登録と融合についてはあまり調査されていません。
我々は、異なる AV によって計算された 2 つの OGM から融合された証拠 OGM を予測するためにディープ ニューラル ネットワーク (DNN) をトレーニングすることを含む方法論を提案します。
出力には、1 次および 2 次の不確実性の推定値が含まれます。
合成データでトレーニングされた DNN が、実世界のデータでも座標変換と結合ルールに基づいたベースライン アプローチよりも優れていることを示します。
合成データの実験結果は、私たちのアプローチが最大 5 メートル、20 度の空間的ずれを補正できることを示しています。

要約(オリジナル)

Cooperation of automated vehicles (AVs) can improve safety, efficiency and comfort in traffic. Digital twins of Cooperative Intelligent Transport Systems (C-ITS) play an important role in monitoring, managing and improving traffic. Computing a live digital twin of traffic requires as input live perception data of preferably multiple connected entities such as automated vehicles (AVs). One such type of perception data are evidential occupancy grid maps (OGMs). The computation of a digital twin involves their spatiotemporal alignment and fusion. In this work, we focus on the spatial alignment, also known as registration, and fusion of evidential occupancy grid maps of multiple automated vehicles. While there exists extensive research on the synchronization and fusion of object-based environment representations, the registration and fusion of OGMs originating from multiple connected vehicles has not been investigated much. We propose a methodology that involves training a deep neural network (DNN) to predict a fused evidential OGM from two OGMs computed by different AVs. The output includes an estimate of the first- and second-order uncertainty. We demonstrate that the DNN trained with synthetic data only outperforms a baseline approach based on coordinate transformation and combination rules also on real-world data. Experimental results on synthetic data show that our approach is able to compensate for spatial misalignments of up to 5 meters and 20 degrees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google