Rastreamento profundo no ambiente: Rastreamento de ponta a ponta usando redes neurais recorrentes

Este artigo apresenta uma abordagem inovadora para rastreamento de objetos estáticos e dinâmicos para um veículo autônomo operando em ambientes urbanos complexos. Enquanto as abordagens tradicionais de rastreamento frequentemente apresentam numerosas etapas projetadas manualmente, este método é aprendido de ponta a ponta e pode prever diretamente uma grade de ocupação totalmente não ocluída a partir de dados brutos de laser. Empregamos uma rede neural recorrente para capturar o estado e a evolução do ambiente, e treinamos o modelo de maneira totalmente não supervisionada. Ao fazer isso, nosso caso de uso pode ser comparado ao rastreamento de múltiplos objetos sem modelo, embora não realizemos explicitamente o processo de associação de dados subjacente. Além disso, demonstramos que a representação subjacente aprendida para a tarefa de rastreamento pode ser aproveitada por meio de transferência indutiva para treinar um detector de objetos de maneira eficiente em dados. Motivamos uma série de características arquitetônicas e mostramos a contribuição positiva das convoluções dilatadas, unidades de memória dinâmicas e estáticas para a tarefa de rastreamento e classificação de cenas dinâmicas complexas através de oclusão total. Nossos resultados experimentais ilustram a capacidade do modelo de rastrear carros, ônibus, pedestres e ciclistas a partir de plataformas em movimento e estacionárias. Além disso, comparamos e contrastamos a abordagem com um pipeline de rastreamento de múltiplos objetos sem modelo mais tradicional, demonstrando que pode prever os estados futuros de objetos a partir de entradas atuais com mais precisão.