[论文解读] Self Supervised Occupancy Grid Learning from Sparse Radar for Autonomous Driving

Liat Sless, Guy Cohen+2 more|arXiv (Cornell University)|Mar 31, 2019

Autonomous Vehicle Technology and Safety参考文献 21被引用 5

一句话总结

本文提出一种自监督深度学习方法，通过数据驱动的逆传感器模型，利用激光雷达生成的真值进行监督，从稀疏雷达数据中生成高精度占据栅格图。该方法在NuScenes数据集上显著优于传统滤波方法，在自动驾驶的雷达场景理解方面达到最先进性能。

ABSTRACT

Occupancy grid mapping is an important component in road scene understanding for autonomous driving. It encapsulates information of the drivable area, road obstacles and enables safe autonomous driving. Radars are an emerging sensor in autonomous vehicle vision, becoming more widely used due to their long range sensing, low cost, and robustness to severe weather conditions. Despite recent advances in deep learning technology, occupancy grid mapping from radar data is still mostly done using classical filtering this http URL this work, we propose learning the inverse sensor model used for occupancy grid mapping from clustered radar data. This is done in a data driven approach that leverages computer vision techniques. This task is very challenging due to data sparsity and noise characteristics of the radar sensor. The problem is formulated as a semantic segmentation task and we show how it can be learned using lidar data for generating ground truth. We show both qualitatively and quantitatively that our learned occupancy net outperforms classic methods by a large margin using the recently released NuScenes real-world driving data.

研究动机与目标

• 解决自动驾驶感知中稀疏且嘈杂的雷达数据挑战。
• 在传统滤波技术基础上进一步提升占据栅格地图的精度。
• 利用深度学习与计算机视觉方法，从聚类后的雷达点云中学习逆传感器模型。
• 仅使用雷达输入和激光雷达衍生的真值，实现鲁棒的数据驱动占据预测。
• 通过自监督学习框架，在真实世界驾驶数据上展示卓越性能。

提出的方法

• 将占据栅格学习建模为语义分割任务，从稀疏雷达点云中预测可行驶区域和障碍物区域。
• 使用聚类后的雷达数据作为输入，表示环境中检测到的物体和反射点。
• 训练神经网络以学习将雷达观测映射到占据栅格的逆传感器模型。
• 利用激光雷达点云生成高质量、密集的真值用于训练过程中的监督。
• 应用自监督学习技术，减少对完全标注数据的依赖，提升模型泛化能力。
• 采用可微分损失函数优化网络，使预测占据图与基于激光雷达的参考地图对齐。

实验结果

研究问题

• RQ1 深度学习模型能否有效从稀疏雷达数据中学习占据栅格映射的逆传感器模型？
• RQ2 与传统滤波方法相比，基于激光雷达监督信号的自监督学习在占据预测方面有何改进？
• RQ3 所提出方法在具有噪声和稀疏雷达输入的真实驾驶场景中，泛化能力如何？
• RQ4 所学习的占据网络相比传统基于雷达的占据映射技术，性能提升有多大？
• RQ5 在真实条件下，该方法对雷达数据稀疏性和传感器噪声变化的鲁棒性如何？

主要发现

• 所提出的占据网络在NuScenes数据集上的精度显著高于传统滤波方法。
• 该模型在稀疏且嘈杂的雷达输入下，对真实世界驾驶场景表现出强大的泛化能力。
• 使用激光雷达衍生真值进行自监督训练，可在无需大量人工标注的情况下实现高质量的占据预测。
• 定性结果表明，障碍物检测的空间一致性得到改善，误报显著减少。
• 定量评估证实，与基线方法相比，该方法在IoU和F1分数方面表现更优。
• 即使在信号密度较低的条件下，该方法仍能有效捕捉可行驶区域和动态障碍物。