Dynamic 3D Scene Analysis by Point Cloud Accumulation

要約

自動運転車や移動ロボットで使用されるマルチビームLiDARセンサーは、3D範囲スキャン(「フレーム」)のシーケンスを取得します。
角度スキャンの解像度とオクルージョンが制限されているため、各フレームはシーンをまばらにカバーします。
スパース性は、セマンティックセグメンテーションや表面再構成などのダウンストリームプロセスのパフォーマンスを制限します。
幸いなことに、センサーが動くと、フレームは一連の異なる視点からキャプチャされます。
これは補足情報を提供し、共通のシーン座標フレームに蓄積されると、より高密度のサンプリングと、基礎となる3Dシーンのより完全なカバレッジをもたらします。
ただし、スキャンされたシーンには移動するオブジェクトが含まれていることがよくあります。
スキャナーのエゴモーションを元に戻すだけでは、これらのオブジェクト上のポイントは正しく位置合わせされません。
本稿では、3Dスキャンシーケンスの中間レベルの表現としてマルチフレーム点群の蓄積を探求し、幾何学的レイアウトやオブジェクトレベルの剛性など、屋外のストリートシーンの誘導バイアスを活用する方法を開発します。
最先端のシーンフロー推定器と比較して、提案されたアプローチは、個々のオブジェクト上のポイントを正しく蓄積する共通の参照フレーム内のすべての3Dポイントを整列させることを目的としています。
私たちのアプローチは、いくつかのベンチマークデータセットのアライメントエラーを大幅に削減します。
さらに、蓄積された点群は、表面再構成などの高レベルのタスクに役立ちます。

要約(オリジナル)

Multi-beam LiDAR sensors, as used on autonomous vehicles and mobile robots, acquire sequences of 3D range scans (‘frames’). Each frame covers the scene sparsely, due to limited angular scanning resolution and occlusion. The sparsity restricts the performance of downstream processes like semantic segmentation or surface reconstruction. Luckily, when the sensor moves, frames are captured from a sequence of different viewpoints. This provides complementary information and, when accumulated in a common scene coordinate frame, yields a denser sampling and a more complete coverage of the underlying 3D scene. However, often the scanned scenes contain moving objects. Points on those objects are not correctly aligned by just undoing the scanner’s ego-motion. In the present paper, we explore multi-frame point cloud accumulation as a mid-level representation of 3D scan sequences, and develop a method that exploits inductive biases of outdoor street scenes, including their geometric layout and object-level rigidity. Compared to state-of-the-art scene flow estimators, our proposed approach aims to align all 3D points in a common reference frame correctly accumulating the points on the individual objects. Our approach greatly reduces the alignment errors on several benchmark datasets. Moreover, the accumulated point clouds benefit high-level tasks like surface reconstruction.

arxiv情報

著者 Shengyu Huang,Zan Gojcic,Jiahui Huang,Andreas Wieser,Konrad Schindler
発行日 2022-07-25 17:57:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク