每天一分钟，带你读遍机器人顶级会议文章  作者：Marcel Schreiber; Vasileios Belagiannis; Claudius Gl?ser; Klaus Dietmayer 编译：方禄 审核：Zoe，王靖淇 这是泡泡一分钟推送的第 904 篇文章，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 建模和环境识别是自动驾驶的一项重要任务。除了目标的检测，在复杂的交通情况下，其他道路参与者的运动也是值得特别关注的。因此我们提出使用递归神经网络来预测动态占用网格图, 它将车辆周围分成若干单元，每个单元包含占用概率和速度估计值。在训练过程中，我们的网络接收有序的测量网格映射，这些网格映射对单一时间步长的激光雷达测量数据进行编码。由于卷积层和递归层的结合，我们的方法能对静态和动态环境进行稳定的检测。为了能在自主移动小车上用我们的方法进行测量，我们提出了一种自我运动补偿的方法，该方法适用于在不同分辨率上工作的具有递归层的神经网络结构。在我们的评估中，我们在公开的大型数据集中将我们的方法与最先进的基于粒子的算法进行比较，以证明我们的方法提高了速度估计的准确度，以及静态和动态的环境区域分离的鲁棒性。此外，我们还证明了我们提出的自我运动补偿方法在静止和自主移动的小车场景中有了可比较的结果 图1: 方法的说明。递归网络根据当前测量网格图和上一时间步骤的递归状态预测动态占用网格图。自我运动通过组合来补偿的输入位置和循环状态转移。占用概率以灰度显示，占用单元为黑色，自由空间为白色，速度估计的方向以圆环颜色显示 图2: 网络架构层 红色为前馈层，蓝色为递归层。 图3.自我运动补偿的方法的说明。图片显示了测量网格图中的占用单元，使用颜色来可视化三个时间步骤。左图:在全局坐标系中输入数据的可视化，以箭头标记的自我姿态。右上：输入数据相对于全局网格的位置。右下：三个时间步骤的递归状态。右边的灰色网格显示了最内层递归层的网格单元大小。自主小车总是被放在中间的单元中，用灰色标记 图4: 本文提出的方法（左图）与基于粒子的栅格地图（右图）的比较，以及静止（ａ）和移动的（ｂ）自主小车的结果比较。图中右下角的插图为网格图切面的显示 表I：基于单元格的评估 表II：基于目标的评估 Abstract Modeling and understanding the environment is an essential task for autonomous driving. In addition to the detection of objects, in complex traffic scenarios the motion of other road participants is of special interest. Therefore, we propose to use a recurrent neural network to predict a dynamic occupancy grid map, which divides the vehicle surrounding in cells, each containing the occupancy probability and a velocity estimate. During training, our network is fed with sequences of measurement grid maps, which encode the lidar measurements of a single time step. Due to the combination of convolutional and recurrent layers, our approach is capable to use spatial and temporal information for the robust detection of static and dynamic environment. In order to apply our approach with measurements from a moving ego-vehicle, we propose a method for ego-motion compensation that is applicable in neural network architectures with recurrent layers working on different resolutions. In our evaluations, we compare our approach with a state-of-the-art particle-based algorithm on a large publicly available dataset to demonstrate the improved accuracy of velocity estimates and the more robust separation of the environment in static and dynamic area. Additionally, we show that our proposed method for ego-motion compensation leads to comparable results in scenarios with stationary and with moving ego-vehicle.