End-to-end Unsupervised Learning of Long-Term 3D Stable objects

要約

3D ポイント クラウド セマンティック分類は、マッピングされた環境をよりよく理解できるようになるため、ロボティクスにおける重要なタスクです。
この作業では、PointNet++ に基づくニューラル ネットワークを使用して 3D オブジェクトの長期安定性を学習することを提案します。長期安定オブジェクトとは、それ自体では移動できない静的オブジェクト (木、柱、建物など) を指します。
トレーニング データは、同じ環境の複数のタイム スライスを利用して個々のポイントに連続ラベルを割り当てることにより、教師なしで生成されます。
個別のラベル、つまり静的/動的を使用する代わりに、ポイントの一時的な安定性を示す連続ラベル値を使用して、回帰 PointNet++ ネットワークをトレーニングすることを提案します。
NCLT データセットからの 2 つの駐車場の点群データに対するアプローチを評価しました。
実験のパフォーマンスは、分類モデルを直接トレーニングする場合と比較して、静的対動的オブジェクト分類が、回帰モデルをトレーニングしてからしきい値処理を行うことによって最適に実行されることを明らかにしています。

要約(オリジナル)

3D point cloud semantic classification is an important task in robotics as it enables a better understanding of the mapped environment. This work proposes to learn the long-term stability of the 3D objects using a neural network based on PointNet++, where the long-term stable object refers to a static object that cannot move on its own (e.g. tree, pole, building). The training data is generated in an unsupervised manner by assigning a continuous label to individual points by exploiting multiple time slices of the same environment. Instead of using discrete labels, i.e. static/dynamic, we propose to use a continuous label value indicating point temporal stability to train a regression PointNet++ network. We evaluated our approach on point cloud data of two parking lots from the NCLT dataset. The experiments’ performance reveals that static vs dynamic object classification is best performed by training a regression model, followed by thresholding, compared to directly training a classification model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google