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

要約

この研究では、特定の環境内でのオブジェクトの長期安定性状態を判断するための、特に静的オブジェクトと動的オブジェクトを区別するためのエンドツーエンドのデータ駆動型パイプラインを紹介します。
長期的に安定した物体は長期的な位置特定のためのランドマークとして利用できるため、物体の安定性を理解することは移動ロボットにとって重要です。
私たちのパイプラインには、環境からの履歴データを利用してニューラル ネットワークのトレーニング データを生成するラベル付け方法が含まれています。
離散ラベルを利用するのではなく、個々の点の時空間安定性を示す点単位の連続ラベル値を使用して、LTS-NET という点群回帰ネットワークをトレーニングすることを提案します。
私たちのアプローチは、NCLT データセット内の 2 つの駐車場からの点群データで評価され、結果は、私たちが提案したソリューションが、静的対動的オブジェクト分類の分類モデルの直接トレーニングよりも優れていることを示しています。

要約(オリジナル)

In this research, we present an end-to-end data-driven pipeline for determining the long-term stability status of objects within a given environment, specifically distinguishing between static and dynamic objects. Understanding object stability is key for mobile robots since long-term stable objects can be exploited as landmarks for long-term localisation. Our pipeline includes a labelling method that utilizes historical data from the environment to generate training data for a neural network. Rather than utilizing discrete labels, we propose the use of point-wise continuous label values, indicating the spatio-temporal stability of individual points, to train a point cloud regression network named LTS-NET. Our approach is evaluated on point cloud data from two parking lots in the NCLT dataset, and the results show that our proposed solution, outperforms direct training of a classification model for static vs dynamic object classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google