论文信息
题目:
Real-time Dynamic Object Detection for Autonomous Driving using Prior 3D-Maps
基于先验3d地图的自动驾驶实时动态目标检测
论文地址:
https://openaccess.thecvf.com/content_ECCVW_2018/papers/11133/Kiran_Real-time_Dynamic_Object_Detection_for_Autonomous_Driving_using_Prior_3D-Maps_ECCVW_2018_paper.pdf
发表期刊:
Computer Vision (ECCV) Workshops, 2018, pp. 0-0
标签
xxxx
摘要
在本文中,我们讨论了利用先前映射的激光雷达点云来减少处理的实时动态目标检测算法。之前的三维地图提供了一个静态的背景模型,我们将动态目标检测作为一个背景减法问题。描述了映射和在线执行管道中的计算和建模挑战。我们提出了一种拒绝级联结构,分别减去道路区域和其他三维区域。我们实现了我们提出的算法的初始版本,并在CARLA模拟器上评估了精度
内容简介
用于障碍物检测的3D先验地图已经成为当今自动驾驶系统中的一个关键工程问题,将检测问题的很大一部分转移到构建精确的环境三维概率描述上。在本研究中,我们回顾了构建先验地图的基本步骤:道路提取、聚类和后续的平面提取、全局一致聚类的超聚类。
评价
我们演示了将激光雷达直方图应用于KITTI数据集中的各种轨道的结果。我们表明,这是一种有效的路面参数表示,同时建模正(孔)障碍。它还为决策系统提供了动态障碍物周围自由空间的估计。将道路分割算法分解为离线映射和在线驾驶两个阶段是在不降低精度的前提下获得实时性的关键。估计不同几何和体积特征的出现频率使我们能够设想在[38]首先采用的拒绝级联之后的有效实现。我们的实现遵循[20]中开发的基于背景减法的级联。此外,保持三维地图中障碍物的时间相关性是一个昂贵而重要的问题。假定半静态环境的长期映射解决方案现在正在开发中[29]。实时实现应该包括映射和驱动之外的第三个阶段,即有效的变点检测(在与非静止静态障碍物相关的点云中)和参数更新机制。