Localization under consistent assumptions over dynamics

要約

正確な地図は、ほぼすべての自動運転車のタスクの前提条件です。
ほとんどの最先端の地図は静的な世界を想定しているため、動的オブジェクトは測定値から除​​外されます。
ただし、この分割では、移動可能だが動かないオブジェクト、つまり半静的なオブジェクトは無視されます。これらのオブジェクトは通常、マップに記録され、静的なオブジェクトとして扱われるため、静的な世界の仮定に違反し、位置特定にエラーが発生します。
この論文では、地図と測定値を一貫して照合するために、移動するオブジェクトをモデル化する方法を紹介します。
これにより、非静的測定値の一貫性のない分類と処理によって生じる誤差が軽減されます。
セマンティック セグメンテーション ネットワークを使用して測定値を静的クラスと半静的クラスに分類し、バックグラウンド減算ベースのフィルタリング方法を使用して動的測定値を削除します。
オックスフォード レーダー ロボットカー データセットからの実世界データを使用した最先端のベースライン ソリューションとの実験比較では、力学に対する一貫した仮定により位置特定の精度が向上することが示されています。

要約(オリジナル)

Accurate maps are a prerequisite for virtually all autonomous vehicle tasks. Most state-of-the-art maps assume a static world, and therefore dynamic objects are filtered out of the measurements. However, this division ignores movable but non-moving, i.e. semi-static, objects, which are usually recorded in the map and treated as static objects, violating the static world assumption, causing error in the localization. In this paper, we present a method for modeling moving and movable objects for matching the map and the measurements consistently. This reduces the error resulting from inconsistent categorization and treatment of non-static measurements. A semantic segmentation network is used to categorize the measurements into static and semi-static classes, and a background subtraction-based filtering method is used to remove dynamic measurements. Experimental comparison against a state-of-the-art baseline solution using real-world data from Oxford Radar RobotCar data set shows that consistent assumptions over dynamics increase localization accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google