Road Boundary Estimation Using Sparse Automotive Radar Inputs

要約

この論文では、まばらなレーダー信号に基づいて道路境界を検出する新しいアプローチを紹介します。
均質モデルを使用して道路をモデル化し、既知のレーダーの動きの下でその条件付き予測モデルを導き出します。
条件付き予測モデルとディリクレ過程混合モデル (DPMM) を使用したレーダー ポイントのモデルを使用し、平均場変分推論 (MFVI) を使用して無条件の道路境界モデル分布を導出します。
MFVI の最初の候補ソリューションを生成するために、カスタムの Random Sample and Consensus (RANSAC) バリアントを開発して、未表示のモデル インスタンスを候補道路境界として提案します。
レーダー点群ごとに、収束するまで MFVI と RANSAC の提案ステップを交互に実行して、すべての候補モデルの最良の推定値を生成します。
左右の境界の推定値として、各側のレーダーまでの横方向の距離が最小となる候補モデルを選択します。
提案されたアルゴリズムを C++ で実装しました。
私たちはアルゴリズムをテストし、満足のいく結果を示しました。
より具体的には、平均車線境界推定誤差は１１．０ｃｍ以下である。

要約(オリジナル)

This paper presents a new approach to detecting road boundaries based on sparse radar signals. We model the roadway using a homogeneous model and derive its conditional predictive model under known radar motion. Using the conditional predictive model and model radar points using a Dirichlet Process Mixture Model (DPMM), we employ Mean Field Variational Inference (MFVI) to derive an unconditional road boundary model distribution. In order to generate initial candidate solutions for the MFVI, we develop a custom Random Sample and Consensus (RANSAC) variant to propose unseen model instances as candidate road boundaries. For each radar point cloud we alternate the MFVI and RANSAC proposal steps until convergence to generate the best estimate of all candidate models. We select the candidate model with the minimum lateral distance to the radar on each side as the estimates of the left and right boundaries. We have implemented the proposed algorithm in C++. We have tested the algorithm and it has shown satisfactory results. More specifically, the mean lane boundary estimation error is not more than 11.0 cm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google