基于动态因子图模型的城市道路场景理解

Road scene understanding is one of the essential techniques in mobile mapping system, autonomous driving system and vehicle navigation system. How to fuse the abundant perception results of road scene elements to realize the inference of road geometric and topological information and analysis of moving objects state properties on the road still lacks a good solution. Based on the probabilistic graphical model, the project focuses on the key scientific problem：how to construct a dynamic factor graph model which can fuse information with different forms and structures for traffic road scene understanding. Following the process of “modeling-learning-optimizing-inference”, the main research contents include: dynamic factor graph modeling for road scene understanding; semi-supervised learning based factor graph model structure learning and parameter learning; factor graph Incremental updating method giving consideration to the precision and efficiency; the inference method of road scene parameters. The results of these researches will contribute to the improvement of road scene understanding methods, information fusion theory, autonomous driving and mobile mapping system.

道路场景理解是移动测图系统、自主驾驶系统、车载导航系统的关键技术。 如何融合丰富的道路元素感知结果，实现城市道路的拓扑结构和几何属性的推断以及道路上车辆、行人状态信息的估计是值得深入研究的问题。本课题以概率图模型为理论基础，围绕如何构建融合多态异构道路场景元素的动态因子图模型这个主要科学问题，以"建模-学习-优化-推理"流程先后研究面向道路场景理解的动态因子图模型表达；基于半监督方式的因子图模型结构学习和参数学习方法；平衡精确度和时效性的动态因子图增量更新方法以及道路场景参数的概率推断方法这几个重要内容。最终实现城市道路场景的准确理解，为自主驾驶系统和移动测图系统的发展提供理论基础与技术支持。

道路场景理解作为移动测图系统、自主驾驶系统、车载导航系统的关键技术， 如何融合丰富的道路元素感知结果，实现城市道路的拓扑结构和几何属性的推断以及道路上车辆、行人状态信息的估计是值得深入研究的问题。本课题以概率图模型为理论基础，研究如何构建动态因子图模型的输入元素提出从3D LIDAR数据中提取2D 图片深度等信息的新方法，以及在夜间进行车辆检测和转向灯检测的新方法，在当时达到了state-of-art的效果。同时提出了图SLAM的可信任因子优化方法和基于众包数据的室内建图方法。在基于半监督方式的因子图模型结构学习和参数学习方法上，使用半监督方式去更好地进行移动物体检测并在KITTI数据集上达到了较好地效果。