Seguimiento profundo en la naturaleza: Seguimiento de extremo a extremo utilizando redes neuronales recurrentes

Este artículo presenta un enfoque novedoso para el seguimiento de objetos estáticos y dinámicos para un vehículo autónomo que opera en entornos urbanos complejos. Mientras que los enfoques tradicionales para el seguimiento a menudo presentan numerosas etapas diseñadas a mano, este método se aprende de extremo a extremo y puede predecir directamente una cuadrícula de ocupación completamente no ocluida a partir de la entrada de láser en bruto. Empleamos una red neuronal recurrente para capturar el estado y la evolución del entorno, y entrenamos el modelo de manera completamente no supervisada. Al hacerlo, nuestro caso de uso se compara con el seguimiento de múltiples objetos sin modelo, aunque no realizamos explícitamente el proceso de asociación de datos subyacente. Además, demostramos que la representación subyacente aprendida para la tarea de seguimiento puede ser aprovechada a través de transferencias inductivas para entrenar un detector de objetos de manera eficiente en datos. Motivamos una serie de características arquitectónicas y mostramos la contribución positiva de las convoluciones dilatadas, unidades de memoria dinámicas y estáticas a la tarea de seguimiento y clasificación de escenas dinámicas complejas a través de una oclusión total. Nuestros resultados experimentales ilustran la capacidad del modelo para seguir coches, autobuses, peatones y ciclistas desde plataformas en movimiento y estacionarias. Además, comparamos y contrastamos el enfoque con una tubería de seguimiento de múltiples objetos sin modelo más tradicional, demostrando que puede predecir con mayor precisión los estados futuros de los objetos a partir de las entradas actuales.