Receding Moving Object Segmentation in 3D LiDAR Data Using Sparse 4D Convolutions

要約

自律走行車にとって重要な課題は、目に見えない動的環境でのナビゲーションである。ナビゲーション、姿勢推定、そして他の交通参加者が近い将来どのように動くかを理解するためには、動いている物体と静止している物体を分離することが不可欠である。本研究では、歩行者や自動車のように現在移動している物体に属する3次元LiDAR点と、壁や駐車場のような移動していない物体から得られた点を区別する問題に取り組む。本アプローチでは、LiDARスキャンを連続的に取得し、ボクセル化された疎な4次元点群に変換する。計算効率の良い疎な4次元畳み込みを適用し、空間的、時間的特徴を共同で抽出し、シーケンス内の全ての点に対する移動物体信頼度スコアを予測する。我々は、オンラインで移動物体を予測し、新たな観測に基づいて移動中の予測を改良することを可能にする後退水平戦略を開発する。また、バイナリーベイズフィルタを用いて、スキャンの新しい予測を再帰的に統合することで、よりロバストな推定を実現している。我々は、SemanticKITTI移動物体セグメンテーション課題において我々のアプローチを評価し、既存の方法よりも正確な予測を示す。本アプローチは点群の幾何学的情報のみを経時的に操作するため、新しい未知の環境にもうまく一般化することができ、Apolloデータセットで評価した。

要約(オリジナル)

A key challenge for autonomous vehicles is to navigate in unseen dynamic environments. Separating moving objects from static ones is essential for navigation, pose estimation, and understanding how other traffic participants are likely to move in the near future. In this work, we tackle the problem of distinguishing 3D LiDAR points that belong to currently moving objects, like walking pedestrians or driving cars, from points that are obtained from non-moving objects, like walls but also parked cars. Our approach takes a sequence of observed LiDAR scans and turns them into a voxelized sparse 4D point cloud. We apply computationally efficient sparse 4D convolutions to jointly extract spatial and temporal features and predict moving object confidence scores for all points in the sequence. We develop a receding horizon strategy that allows us to predict moving objects online and to refine predictions on the go based on new observations. We use a binary Bayes filter to recursively integrate new predictions of a scan resulting in more robust estimation. We evaluate our approach on the SemanticKITTI moving object segmentation challenge and show more accurate predictions than existing methods. Since our approach only operates on the geometric information of point clouds over time, it generalizes well to new, unseen environments, which we evaluate on the Apollo dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL