交叉注册和融合证据占用栅格地图，用于交通实时数字孪生
摘要：多车辆自动驾驶系统的合作可以提高交通安全、效率和舒适性。协同智能运输系统（C-ITS）的数字孪生在监测、管理和改善交通方面发挥着重要作用。计算实时交通的数字孪生需要输入来自多个连接实体（如自动驾驶车辆）的实时感知数据。其中一种感知数据是证据性占用格栅地图（OGMs）。数字孪生的计算涉及这些OGMs的时空校准和融合。在本研究中，我们专注于多个自动驾驶车辆的证据性占用格栅地图的空间校准和融合。虽然关于基于对象的环境表示的同步和融合已有大量研究，但尚未对来自多个连接车辆的OGMs的校准和融合进行深入研究。我们提出了一种方法，涉及训练一个深度神经网络（DNN），从两个不同自动驾驶车辆计算的OGMs预测一个融合的OGM。输出包括对一阶和二阶不确定性的估计。我们证明，仅使用合成数据训练的DNN在真实世界数据上也优于基于坐标转换和组合规则的基准方法。合成数据的实验结果表明，我们的方法能够补偿最大5米和20度的空间错位。
作者：Raphael van Kempen, Laurenz Adrian Heidrich, Bastian Lampe, Timo Woopen and Lutz Eckstein
论文ID：2304.03578
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-24