ОБНАРУЖЕНИЕ ДИНАМИЧЕСКИХ ОБЪЕКТОВ НА КАРТЕ ЗАНЯТОСТИ С НАКОПЛЕНИЕМ НА ОСНОВЕ ФИЛЬТРА ЧАСТИЦ

  • И.О. Шепель Южный федеральный университет
Ключевые слова: Карта занятости, лидар, облако точек, фильтр частиц, бнаружение препятствий, динамический объект, автономное движение

Аннотация

Рассматривается проблема обнаружения динамических препятствий на карте за-
нятости, полученной по данным системы технического зрения мобильной робототехниче-
ской платформы. Целью работы является качественное улучшение алгоритма обнаруже-
ния препятствий с помощью добавления фильтра частиц для выделения движущихся объ-
ектов по данным карты. В исследовании решается задача корректного накопления данных
в карте занятости и уменьшения задержки обновления информации в ячейках карты, по
которым двигаются динамические объекты. Представленная в статье модификация
фильтра частиц способна корректно работать с динамическими препятствиями в широ-
ком диапазоне скоростей, устойчива к выбросам, вызванным в результате случайной гене-
рации начальной скорости частиц, и предназначена для работы в реальных условиях в сре-
де с большим количеством движущихся препятствий и в реальном масштабе времени.
Разработана эвристика, которая уменьшает количество неправильных классификаций вокклюдированных зонах. Показано, что алгоритм обнаружения динамических объектов в карте занятости инвариантен к типу сенсоров, используемых в системе технического
зрения, а также описана реализация, объединенная с накапливаемой картой препятствий.
Алгоритм реализован и протестирован на борту автономной робототехнической плат-
формы и на открытом наборе данных. В статье приведено сравнение с другими подходами
к обнаружению динамических препятствий, а также рассчитаны метрики быстродейст-
вия для всех анализируемых методов для вычислителей на базе GPU Nvidia RTX 3070 и GPU
встроенного вычислителя Jetson AGX Xavier. Сформулированы перспективные направления
дальнейших исследований по улучшению представленного подхода.

Литература

1. Elfes A. Using occupancy grids for mobile robot perception and navigation, Computer, 1989,
Vol. 22, No. 6, pp. 46-57.
2. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? the kitti vision benchmark
suite, 2012 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2012,
pp. 3354-3361.
3. Caesar H. et al. nuscenes: A multimodal dataset for autonomous driving, Proceedings of the
IEEE/CVF conference on computer vision and pattern recognition, 2020, pp. 11621-11631.
4. Shi S., Wang X., Li H. pointrcnn: 3d object proposal generation and detection from point cloud,
Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2019,
pp. 770-779.
5. Yin T., Zhou X., Krahenbuhl P. Center-based 3d object detection and tracking, Proceedings of the
IEEE/CVF conference on computer vision and pattern recognition, 2021, pp. 11784-11793.
6. Shepel' I.O. Algoritm kompleksirovaniya neskol'kikh istochnikov dannykh v obshchuyu kartu
zanyatosti [Algorithm for combining multiple data sources into a common employment map],
Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 3
(220), pp. 64-71.
7. Shepel I. et al. Occupancy Grid Generation With Dynamic Obstacle Segmentation in Stereo
Images, IEEE Transactions on Intelligent Transportation Systems, 2021.
8. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation,
Proceedings of the IEEE conference on computer vision and pattern recognition, 2015,
pp. 3431-3440.
9. Eppenberger T. et al. Leveraging stereo-camera data for real-time dynamic obstacle detection
and tracking, 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems
(IROS). IEEE, 2020, pp. 10528-10535.
10. Cortinhal T., Tzelepis G., Erdal Aksoy E. SalsaNext: Fast, uncertainty-aware semantic segmentation
of LiDAR point clouds, International Symposium on Visual Computing. Springer,
Cham, 2020, pp. 207-222.
11. Xu J. et al. Rpvnet: A deep and efficient range-point-voxel fusion network for lidar point cloud
segmentation, Proceedings of the IEEE/CVF International Conference on Computer Vision,
2021, pp. 16024-16033.
12. Mohajerin N., Rohani M. Multi-step prediction of occupancy grid maps with recurrent neural
networks, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,
2019, pp. 10600-10608.
13. Schreiber M., Hoermann S., Dietmayer K. Long-term occupancy grid prediction using recurrent
neural networks, 2019 International Conference on Robotics and Automation (ICRA).
IEEE, 2019, pp. 9299-9305.
14. Danescu R., Nedevschi S. A Particle-Based Solution for Modeling and Tracking Dynamic
Digital Elevation Maps, IEEE Transactions on Intelligent Transportation Systems, 2014,
Vol. 3, No. 15, pp. 1002-1015.
15. Tanzmeister G. et al. Grid-based mapping and tracking in dynamic environments using a uniform
evidential environment representation, 2014 IEEE International Conference on Robotics
and Automation (ICRA). IEEE, 2014, pp. 6090-6095.
16. Nuss D. et al. A random finite set approach for dynamic occupancy grid maps with real-time application,
The International Journal of Robotics Research, 2018, Vol. 37, No. 8, pp. 841-866.
17. Shepel' I.O. Modifitsirovannyy algoritm postroeniya karty zanyatosti po oblaku tochek ot
neskol'kikh lidarov [A modified algorithm for constructing an employment map based on a
cloud of points from several lidars], Programmnye produkty i sistemy [Software products and
Systems], 2020, Vol. 33, No. 2.
18. Dempster A.P. Upper and lower probabilities induced by a multivalued mapping, Classic
works of the Dempster-Shafer theory of belief functions. Springer, Berlin, Heidelberg, 2008,
pp. 57-72.
19. Li T., Bolic M., Djuric P.M. Resampling methods for particle filtering: classification, implementation,
and strategies, IEEE Signal processing magazine, 2015, Vol. 32, No. 3, pp. 70-86.
20. Sun P. et al. Scalability in perception for autonomous driving: Waymo open dataset, Proceedings of
the IEEE/CVF conference on computer vision and pattern recognition, 2020, pp. 2446-2454.
Опубликован
2022-08-09
Выпуск
Раздел
РАЗДЕЛ II. АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ