摘要

本文针对地下停车场这一特定场景，探讨了自主驾驶技术中的可靠性和安全性问题。通过使用CARLA模拟平台创建真实的停车模型，利用占用网格网络处理数据，预测车辆路径和障碍物，从而增强系统在复杂室内环境中的感知能力。该研究填补了室内停车环境在自主驾驶研究中的空白，为实现更广泛的自主驾驶场景提供了参考。

原理

本文提出的解决方案基于占用网格网络（Occupancy Grid Network），这是一种基于深度学习的3D重建方法，通过将环境分割成固定大小的体素（voxels），预测每个体素网格是否被占用以及可能包含的目标类别。与传统的二维网格相比，占用网格网络能够描述三维网格，即使在未识别特定目标类型的情况下，也能预测给定位置是否被占用。这种方法克服了将未确定物体视为非障碍的局限性，使得系统能够执行更精确和迅速的操控，从而在操作精度和效率上显示出显著优势。

流程

1. 数据收集：在CARLA模拟器中构建地下停车场的场景，收集包括摄像头图像、雷达扫描数据等在内的多维信息。
2. 数据处理：使用占用网格网络处理收集的数据，预测车辆路径和障碍物。
3. 模型训练：利用收集的数据集训练占用网格网络模型，优化其在地下停车场场景中的表现。
4. 预测与验证：使用训练好的模型进行占用预测，并通过实际数据验证模型的准确性和可靠性。

应用

该研究为地下停车场的自主驾驶技术提供了新的解决方案，不仅增强了系统的环境感知能力，还提高了驾驶安全性。未来，这种方法可以扩展到其他室内环境，如仓库、商场等，为自主驾驶技术的广泛应用提供技术支持。