非结构化环境下基于占据预测的可通行性分析

摘要

为了实现在非结构化环境中的自主导航，无人车需要对地面进行可通行性分析.当前有基于激光雷达和视觉的方法对环境进行可通行性分析，但激光雷达方案受点云稀疏和成本高的限制，传统视觉方案无法有效捕捉和表达场景的三维空间状况.针对这些挑战，本文首次提出基于占据预测(Occupancy Prediction)的非结构化环境可通行性分析方法WildOcc.WildOcc从单目RGB图像提取多尺度特征，将3D占据标签投影到图像中，采用道路注意力机制融合信息，得到3D特征后，再经过解码器和语义分割头输出可通行区域.为了准确估计环境的三维可通行性，WildOcc使用3D占据标签进行监督.由于非结构化环境点云数据的稀疏性，本文设计了数据增强模块生成稠密占据标签(Dense Label Generate, DLG),来提高监督结果的准确性.基于DLG模块制作了首个非结构化环境下占据预测的数据集Occ-Traversability,在该数据集上进行的综合实验表明：相对于为结构化环境设计的占据预测方法，WildOcc平均交并比(mIoU)提升0.95个百分点；同时，DLG模块使mIoU提升0.76个百分点，有效提升了预测的准确性.

关键词

可通行性分析 / 非结构化环境 / 占据预测 / 自主导航