Change of Scenery: Unsupervised LiDAR Change Detection for Mobile Robots

要約

この論文では、3D LiDAR を使用した移動ロボット向けの完全に教師なしのディープチェンジ検出アプローチを紹介します。
非構造化環境では、セマンティック クラスの閉じたセットを定義することは不可能です。
代わりに、セマンティック セグメンテーションはバイナリ変更検出として再定式化されます。
私たちは、既存の点群マップとライブ LiDAR スキャンを使用して、マップに関するシーンの変化を検出するニューラル ネットワーク RangeNetCD を開発します。
新しい損失関数を使用すると、既存の点群セマンティック セグメンテーション ネットワークをトレーニングして、ローカル セマンティクスに関するラベルや仮定なしで変更検出を実行できます。
私たちは、困難な地形からのデータに対するこのアプローチのパフォーマンスを実証します。
和集合に対する平均交差 (mIoU) スコアは、環境構造の量に応じて 67.4% ～ 82.2% の範囲にあります。
これは、すべての実験で使用された幾何学的ベースラインを上回ります。
このニューラル ネットワークは 10Hz より高速に動作し、ロボットの自律スタックに統合されているため、計画された経路と交差する障害物を避けて安全にナビゲーションできます。
さらに、ポイントごとのグラウンドトゥルースラベルを迅速に自動取得するための新しい方法について説明します。
シーンの変化した部分を再帰反射材料で覆い、LiDAR の強度チャンネルに閾値フィルターを適用することで、変化検出器の定量的な評価が可能になります。

要約(オリジナル)

This paper presents a fully unsupervised deep change detection approach for mobile robots with 3D LiDAR. In unstructured environments, it is infeasible to define a closed set of semantic classes. Instead, semantic segmentation is reformulated as binary change detection. We develop a neural network, RangeNetCD, that uses an existing point-cloud map and a live LiDAR scan to detect scene changes with respect to the map. Using a novel loss function, existing point-cloud semantic segmentation networks can be trained to perform change detection without any labels or assumptions about local semantics. We demonstrate the performance of this approach on data from challenging terrains; mean intersection over union (mIoU) scores range between 67.4% and 82.2% depending on the amount of environmental structure. This outperforms the geometric baseline used in all experiments. The neural network runs faster than 10Hz and is integrated into a robot’s autonomy stack to allow safe navigation around obstacles that intersect the planned path. In addition, a novel method for the rapid automated acquisition of per-point ground-truth labels is described. Covering changed parts of the scene with retroreflective materials and applying a threshold filter to the intensity channel of the LiDAR allows for quantitative evaluation of the change detector.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google