[论文解读] Free Space Estimation using Occupancy Grids and Dynamic Object Detection

Raghavender Sahdev|arXiv (Cornell University)|Aug 16, 2017

Robotics and Sensor-Based Localization参考文献 4被引用 3

一句话总结

本文提出了一种基于双目视觉和占用网格的自动驾驶自由空间估计方法，结合基于运动流和RANSAC的分割方法，以提升鸟瞰图地图的准确性。该方法通过配准连续的占用网格并过滤动态障碍物，实现了鲁棒的环境建图，在KITTI数据集上验证了其在复杂城市场景中提升自由空间检测的效果。

ABSTRACT

In this paper we present an approach to estimate Free Space from a Stereo image pair using stochastic occupancy grids. We do this in the domain of autonomous driving on the famous benchmark dataset KITTI. Later based on the generated occupancy grid we match 2 image sequences to compute the top view representation of the map. We do this to map the environment. We compute a transformation between the occupancy grids of two successive images and use it to compute the top view map. Two issues need to be addressed for mapping are discussed - computing a map and dealing with dynamic objects for computing the map. Dynamic Objects are detected in successive images based on an idea similar to tracking of foreground objects from the background objects based on motion flow. A novel RANSAC based segmentation approach has been proposed here to address this issue.

研究动机与目标

• 使用双目图像对估计自动驾驶场景中的自由空间。
• 通过配准连续图像序列的占用网格，生成精确的鸟瞰图地图。
• 通过基于运动的检测方法解决地图构建中动态目标的干扰问题。
• 在存在移动障碍物的复杂城市环境中，提升自由空间估计的鲁棒性。

提出的方法

• 从双目图像对构建随机占用网格，以表示场景几何结构。
• 计算连续占用网格之间的帧间变换，以对齐空间表示。
• 通过连续帧间运动流差异检测动态目标，将其与静态背景区分开。
• 应用一种新颖的基于RANSAC的分割方法，以优化动态目标检测并提升网格一致性。
• 通过融合配准后的占用网格并过滤检测到的动态目标，生成鸟瞰图地图。
• 在KITTI基准数据集上使用真实世界的城市驾驶序列验证该方法。

实验结果

研究问题

• RQ1 在动态城市环境中，如何利用占用网格从双目图像中准确估计自由空间？
• RQ2 动态目标对鸟瞰图质量有何影响，如何在网格融合过程中有效过滤它们？
• RQ3 结合运动流分析与基于RANSAC的分割方法，能否提升动态目标检测以改善自由空间估计？
• RQ4 所提出的网格配准与融合方法在连续帧之间如何保持空间一致性？
• RQ5 与基线占用网格方法相比，该方法在自由空间检测准确性方面提升了多少？

主要发现

• 所提出的基于RANSAC的分割方法显著提升了动态目标检测的准确性，减少了运动流分析中的误报。
• 通过帧间变换进行网格配准，实现了连续双目图像对之间的一致性鸟瞰图生成。
• 该方法在动态目标密度较高的场景（如繁忙的城市交叉口）中仍能实现鲁棒的自由空间估计。
• 融合配准后的占用网格并结合动态目标过滤，生成了更精确、更可靠的环境鸟瞰图表示。
• 该方法在KITTI基准测试中表现出色，尤其在保留靠近移动车辆和行人的自由空间区域方面表现更优。
• 运动流与基于RANSAC的分割方法的结合，减少了由瞬态动态目标引起的地图伪影。