Hluboké učení pro rekonstrukci prostředí z řídkých hloubkových měření

Abstract

3D rekonstrukce je důležitým komponentem pro základní bezpečnostní funkcí autonomního vozidla, jako je nouzové brzdění, prediktivní kontrola aktivního tlumení, bezpečné otáčení na křižovatce, nebo odhadnutí vlastní polohy na offline mapě. V důsledku toho každé plně autonomní vozidlo vyžaduje senzor, který poskytne měření s vysokým rozlišením a 3D měření hloubky na dlouhé vzdálenosti. Senzory s vysokým rozlišením jsou drahé, těžké, pomalé a náchylné k mechanickému opotřebení. Snímače hloubky s nízkým rozlišením (např. pouze s čtyřmi řádky měření) jsou často používány v současných poloautonomních automobilech a odhaduje se místní mapa 3D rekonstrukce. Hlavním cílem této práce se naučit konvoluční neuronovou síť’ pro 3D rekonstrukci mapy voxelů z řídkých hloubkových měření.

Accurate 3D reconstruction is an essential component for many of fundamental capabilities such as emergency braking, predictive control for active damping, safe turning in a road intersection or self-localization from offline maps. Consequently, any fullyautonomous vehicle requires a sensor providing high resolution and long range 3D measurements. The highresolution sensors are expensive, heavy, slow and prone to mechanical wear. Therefore low-resolution depth sensors(e.g. with only 4-row measurements planes) are often used in contemporary semi-autonomous cars, and the local 3D reconstruction map is estimated. The main goal of this thesis is to learn a deep convolutional neural network for dense 3D voxel map reconstruction from sparse depth measurement.