欢迎关注微信公众号“机器人EmbodiedAI”
论文题目：Accurate Training Data for Occupancy Map Prediction in Automated Driving Using Evidence Theory
论文链接：https://openaccess.thecvf.com/content/CVPR2024/papers/Kalble_Accurate_Training_Data_for_Occupancy_Map_Prediction_in_Automated_Driving_CVPR_2024_paper.pdf
一、方法
自动驾驶基本上需要了解场景周围的几何信息。现代方法使用捕获的图像来预测表示几何形状的占用地图。训练这些方法需要准确的数据，可以通过LiDAR扫描仪获取。我们表明，目前用于基准和训练数据集的技术将LiDAR扫描转换为占用格网地图的方法质量非常低，随后提出了一种利用证据理论的新方法，能够产生更准确的重建结果。我们展示这些方法在质量和数量上均显著优于现有方法，并且能够额外提供有意义的不确定性估计。将占用地图转换回深度估计并与原始LiDAR测量进行比较时，我们的方法在nuScenes数据集上可以使MAE提升30%至52%，在Waymo数据集上提升53%。最后，我们利用改进的占用地图训练了一个最先进的占用预测方法，并展示其在nuScenes数据集上将MAE提高了25%。
论文的贡献：
我们提出了一种基于证据理论的简单的多帧3D LiDAR占用格网映射方法，考虑到多个输入帧。我们的方法捕获了关于体素占用、自由和不确定性的连续证据，这些不确定性是由于测量误差或LiDAR测量中的观测缺失造成的。
我们展示了当前顶尖基准数据。相对于LiDAR测量存在不准确性，并生成了更精确的证据占用格网地图，可以作为高质量二值占用预测的替代品。根据我们生成的数据，我们展示了与顶尖基准数据相比，占用估计平均绝对误差（MAE）提高了30-53%。
基于我们的数据，我们提出了一种简单而有效的基于可观测性的损失加权方法来训练顶尖模型，使得占用预测与LiDAR测量之间的MAE降低了24%。
二、实验结果
三、总结
在本文中，我们提出了一种基于LiDAR测量生成地面真实占用数据的新方法。基于证据理论，我们的方法将LiDAR点云映射到离散的3D网格上，编码每个体素属于占用、自由或不确定三种可能状态的信任度。我们将我们生成的地面真实数据与流行的其他方法进行了比较，并展示了我们的数据与LiDAR测量的一致性要远远优于现有的预处理策略。我们还展示了，在我们的数据上训练的占用估计神经网络产生了优越的预测结果，而无需对模型架构进行任何修改。未来的重要研究方向包括将语义信息整合到我们的预处理和训练流程中。
