3D-SeqMOS: A Novel Sequential 3D Moving Object Segmentation in Autonomous Driving

要約

ロボット工学および自動運転における SLAM システムの場合、フロントエンドのオドメトリとバックエンドのループ閉鎖検出の精度が、インテリジェント システム全体のパフォーマンスを決定します。
しかし、LiDAR-SLAM は、現在のシーンの移動物体によって妨害される可能性があり、その結果、ドリフト エラーが発生したり、さらにはループ閉鎖障害が発生したりする可能性があります。
したがって、移動物体を検出してセグメント化する機能は、高精度の測位と一貫したマップの構築に不可欠です。
この論文では、SLAM のオドメトリとループ閉鎖の精度を向上させるために、3D LiDAR スキャンからの移動オブジェクトのセグメンテーションの問題に対処します。
我々は、シーンを移動物体と静止物体 (移動車と静止車など) に正確にセグメント化できる新しい 3D Sequential Moving-Object-Segmentation (3D-SeqMOS) 手法を提案します。
既存の投影画像手法とは異なり、生の 3D 点群を処理し、MOS タスク用の 3D 畳み込みニューラル ネットワークを構築します。
さらに、点群の時空間情報を最大限に活用するために、現在のスキャンの空間特徴と以前の残差スキャンの時間特徴を使用した点群残差メカニズムを提案します。
さらに、3D-SeqMOS の有効性と精度を検証するための完全な SLAM フレームワークを構築します。
SemanticKITTI データセットの実験では、提案した 3D-SeqMOS 手法が移動物体を効果的に検出し、LiDAR オドメトリとループ閉鎖検出の精度を向上できることが示されています。
テスト結果は、当社の 3D-SeqMOS が最先端の方法より 12.4% 優れていることを示しています。
提案した手法を SemanticKITTI: Moving Object Segmentation コンペティションに拡張し、リーダーボードで 2 位を獲得し、その有効性を示しました。

要約(オリジナル)

For the SLAM system in robotics and autonomous driving, the accuracy of front-end odometry and back-end loop-closure detection determine the whole intelligent system performance. But the LiDAR-SLAM could be disturbed by current scene moving objects, resulting in drift errors and even loop-closure failure. Thus, the ability to detect and segment moving objects is essential for high-precision positioning and building a consistent map. In this paper, we address the problem of moving object segmentation from 3D LiDAR scans to improve the odometry and loop-closure accuracy of SLAM. We propose a novel 3D Sequential Moving-Object-Segmentation (3D-SeqMOS) method that can accurately segment the scene into moving and static objects, such as moving and static cars. Different from the existing projected-image method, we process the raw 3D point cloud and build a 3D convolution neural network for MOS task. In addition, to make full use of the spatio-temporal information of point cloud, we propose a point cloud residual mechanism using the spatial features of current scan and the temporal features of previous residual scans. Besides, we build a complete SLAM framework to verify the effectiveness and accuracy of 3D-SeqMOS. Experiments on SemanticKITTI dataset show that our proposed 3D-SeqMOS method can effectively detect moving objects and improve the accuracy of LiDAR odometry and loop-closure detection. The test results show our 3D-SeqMOS outperforms the state-of-the-art method by 12.4%. We extend the proposed method to the SemanticKITTI: Moving Object Segmentation competition and achieve the 2nd in the leaderboard, showing its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google