MARC

 008240306s2023        s  |          s        0000c|  eng  d
■001000016933798
■00520240214101338
■006m          o    d                
■007cr
■020    ▼a9798380265041
■035    ▼a(MiAaPQ)AAI30561731
■035    ▼a(MiAaPQ)STANFORDrp366yd5112
■040    ▼aMiAaPQ▼cMiAaPQ
■08204▼a621.3
■090    ▼a전자도서(박사논문)
■1001  ▼aToyungyernsub,  Maneekwan.
■24510▼aSpatiotemporal  Occupancy  Prediction  for  Autonomous  Driving▼h[electronic  resource]▼cManeekwan  Toyungyernsub
■260    ▼a[S.l.]▼bStanford  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(p.89  )
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Kochenderfer,  Mykel  J.;Gao,  Grace  X.;Kennedy,  Monroe.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAdvancements  in  robotics,  computer  vision,  machine  learning  and  hardware  have  contributed  to  impressive  developments  of  autonomous  vehicles.  However,  there  still  exist  challenges  that  must  be  tackled  in  order  for  the  autonomous  vehicles  to  be  safely  and  seamlessly  integrated  into  human  environments.  This  is  particularly  the  case  in  dense  and  cluttered  urban  settings.  Autonomous  vehicles  must  be  able  to  understand  and  anticipate  how  their  surroundings  will  evolve  in  both  time  and  space.  This  capability  will  allow  the  autonomous  vehicles  to  proactively  plan  safe  trajectories  and  avoid  other  traffic  agents.A  common  prediction  approach  is  an  agent-centric  method  (e.g.,  pedestrian  or  vehicle  trajectory  prediction).  These  methods  require  detection  and  tracking  of  all  agents  in  the  environment  since  trajectory  prediction  is  performed  on  each  agent.  An  alternative  approach  is  a  map-based  (e.g.,  occupancy  grid  map)  prediction  method  where  the  entire  environment  is  discretized  into  grid  cells  and  the  collective  occupancy  probabilities  for  each  grid  cell  are  predicted.  Hence,  object  detection  and  tracking  capability  is  generally  not  needed.  This  makes  a  map-based  occupancy  prediction  approach  more  robust  to  partial  object  occlusions  and  is  capable  of  handling  any  arbitrary  number  of  agents  in  the  environments.  However,  a  common  problem  with  occupancy  grid  map  prediction  is  the  vanishing  of  objects  from  the  predictions,  especially  at  longer  time  horizons.In  this  thesis,  we  consider  the  problem  of  spatiotemporal  environment  prediction  in  urban  environments.  We  propose  an  occupancy  prediction  framework  that  lever-  ages  meaningful  environment  information.  In  our  first  contribution,  we  develop  a  prediction  framework  that  leverages  environment  dynamics.  Our  proposed  model  learns  to  predict  the  spatiotemporal  evolution  of  the  static  and  dynamic  parts  of  the  environment  separately,  and  outputs  the  final  OGM  predictions  of  the  entire  envi-  ronment.  Compared  to  other  repurposed  state-of-the-art  video-frame-prediction  models,  our  method  shows  an  improvement  in  prediction  accuracy  and  a  reduction  in  the  vanishing  object  issue  in  the  predictions.In  our  second  contribution,  we  develop  an  occupancy  prediction  framework  to  address  the  limitation  of  previous  work  that  requires  static  and  dynamic  parts  of  the  environment  to  be  known  in  advance.  Our  proposed  modular  framework  consists  of  two  modules,  which  are  static-dynamic  segmentation  and  occupancy  prediction.  The  upstream  static-dynamic  segmentation  module  operates  on  the  proposed  map-  centric  occupancy-based  representations  to  allow  for  direct  integration  between  the  two  modules.  Experiments  conducted  show  a  superior  performance  of  our  dynamics-aware  occupancy  prediction  framework  compared  to  baseline  methods.Lastly,  we  develop  an  environment  prediction  model  that  leverages  environment  semantic  information.  Our  prediction  model  consists  of  two  sub-modules,  which  are  the  semantic  grid  map  prediction  and  occupancy  map  prediction.  Inspired  by  the  success  of  incorporating  environment  dynamics  in  prior  work,  we  propose  to  represent  environment  semantics  in  the  form  of  semantic  gird  maps  that  are  similar  to  the  occupancy  grid  representation.  This  allows  a  direct  flow  of  semantic  information  to  the  occupancy  prediction  sub-module.  We  compare  our  framework  with  two  other  methods,  which  are  the  dynamics-aware  occupancy  prediction,  and  a  vanilla  occupancy  prediction.  We  find  that  our  semantics-aware  occupancy  prediction  framework  outperforms  the  other  two  models.
■590    ▼aSchool  code:  0212.
■650  4▼aComputer  engineering.
■650  4▼aAutomotive  engineering.
■650  4▼aCivil  engineering.
■690    ▼a0543
■690    ▼a0464
■690    ▼a0540
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933798▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서