用于栅格地图动态目标检测的全卷积神经网络

每天一分钟，带你读遍机器人顶级会议文章

标题：Fully Convolutional Neural Networks for Dynamic Object Detection in Grid Maps

作者：Florian Piewak, Timo Rehfeld, Michael Weber, and J. Marius Zöllner

来源：IEEE Intelligent Vehicles Symposium(IV2017)

播音员：四姑娘

编译：陈建华

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天为大家带来的文章是——用于栅格地图中动态目标检测的全卷积神经网络，该文章发表于IV2017。

机器人领域广泛使用栅格地图来表示环境中的障碍物，并且将动态目标从静态基础设施中区分出来对于许多实际应用来说十分必要。在本文中，作者提出了一种使用深度卷积神经网络（CNN）的方法来推断网格单元中是否存在移动目标。

图1 本文方法的系统框架

对于上述问题，跟踪方法通常是使用一个粒子滤波器来估计网格单元的速度，然后基于这个估计对每个网格单元做出是否存在移动目标的判断。相比于跟踪方法，作者的方法是将整个栅格地图作为CNN的输入图像，对每个单元周围的较大区域进行检查，并且对栅格地图的外观结构进行了考虑后做出是否存在移动目标的判断。

图2 动态占据网格地图示例图

在实验部分，评价指标采用ROC曲线。相比于作者所参考的方法，本文的方法将性能从83.9%提高到97.2%。此外，作者还对运行时间进行了优化，并且优化版本能够在输出相同性能的情况下，仅需要10毫秒的执行时间。

图3 动态占据栅格地图与动态目标检测效果图

图4 不同输入配置的ROC曲线

图5 不同网络配置的ROC曲线

图6 本文方法与参考方法的ROC曲线对比

Abstract

Grid maps are widely used in robotics to represent obstacles in the environment and differentiating dynamic objects from static infrastructure is essential for many practical applications. In this work, we present a method that uses a deep convolutional neural network (CNN) to infer whether grid cells are covering a moving object or not. Compared to tracking approaches, that use e.g. a particle filter to estimate grid cell velocities and then make a decision for individual grid cells based on this estimate, our approach uses the entire grid map as input image for a CNN that inspects a larger area around each cell and thus takes the structural appearance in the grid map into account to make a decision. Compared to our reference method, our concept yields a performance increase from 83.9% to 97.2%. A runtime optimized version of our approach yields similar improvements with an execution time of just 10 milliseconds.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。