One of the indispensable functions of a self-driving vehicle is to estimate its dynamic world, which includes various traffic participants within complex driving scenarios. The estimation mechanism has to be flexible, fast, and robust; however, achieving these requirements is still challenging. Dynamic grid maps are one of the possible ways to combine and estimate multisensory information at an intermediate level. In this article, we present a particle filter (PF)-based grid map estimation that addresses several challenges. First, we propose a multilayer PF-based tracking solution that uses two measurement grid channels as inputs: an occupancy grid and a semantic grid. Second, we introduce the concept of structuring the particle population into batches, where each batch represents an individual tracklet. Rather than using one PF for estimating the entire grid, we employ multiple individual PFs (tracklets) that share the same world. Third, a concept of "self-localizing" tracklets is presented. Similar to simultaneous localization and mapping approaches, in our tracking solution, every particle state is extended with a small set of landmarks. This allows a tracklet to "selflocalize" itself with respect to a tracked-object boundary and leads to a more precise velocity estimation. Finally, we introduce an advanced tracklet-management mechanism that allows executing some specific PF operations at the tracklet level. This optimization provides multiple advantages. Experimental results with ground-truth data show improvement in estimation accuracy when compared to similar techniques.

中文翻译：

---

从粒子到自定位轨迹：基于多层粒子滤波器的动态网格地图估计

自动驾驶汽车必不可少的功能之一是估计其动态世界，其中包括复杂驾驶场景中的各种交通参与者。估计机制必须灵活、快速和稳健；然而，实现这些要求仍然具有挑战性。动态网格图是在中间级别组合和估计多感官信息的可能方法之一。在本文中，我们提出了一种基于粒子滤波器 (PF) 的网格图估计，可解决若干挑战。首先，我们提出了一个基于 PF 的多层跟踪解决方案，它使用两个测量网格通道作为输入：占用网格和语义网格。其次，我们引入了将粒子群构造成批次的概念，其中每个批次代表一个单独的轨迹。我们不是使用一个 PF 来估计整个网格，而是使用共享同一世界的多个单独的 PF（tracklets）。第三，提出了“自定位”轨迹的概念。与同时定位和映射方法类似，在我们的跟踪解决方案中，每个粒子状态都用一小组地标扩展。这允许轨迹相对于被跟踪对象边界“自我定位”，并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。我们使用共享同一个世界的多个单独的 PF（tracklets）。第三，提出了“自定位”轨迹的概念。与同时定位和映射方法类似，在我们的跟踪解决方案中，每个粒子状态都用一小组地标扩展。这允许轨迹相对于被跟踪对象边界“自我定位”，并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。我们使用共享同一个世界的多个单独的 PF（tracklets）。第三，提出了“自定位”轨迹的概念。与同时定位和映射方法类似，在我们的跟踪解决方案中，每个粒子状态都用一小组地标扩展。这允许轨迹相对于被跟踪对象边界“自我定位”，并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。与同时定位和映射方法类似，在我们的跟踪解决方案中，每个粒子状态都用一小组地标扩展。这允许轨迹相对于被跟踪对象边界“自我定位”，并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。与同时定位和映射方法类似，在我们的跟踪解决方案中，每个粒子状态都用一小组地标扩展。这允许轨迹相对于被跟踪对象边界“自我定位”，并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。其本身相对于跟踪对象边界并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。其本身相对于跟踪对象边界并导致更精确的速度估计。最后，我们引入了一种先进的 tracklet 管理机制，允许在 tracklet 级别执行一些特定的 PF 操作。这种优化提供了多种优势。与类似技术相比，使用真实数据的实验结果表明估计精度有所提高。