ATPPNet: Attention based Temporal Point cloud Prediction Network

要約

点群予測は、自動運転の分野において重要かつ困難なタスクです。
目標は、オブジェクトの時間的な動きを正確に表現しながら、オブジェクトの構造を維持する将来の点群シーケンスを予測することです。
これらの予測された点群は、衝突回避のための物体の軌道推定やオドメトリ ドリフトが最も少ない位置の推定など、その後の他のタスクに役立ちます。
この研究では、LiDAR センサーで取得された以前のタイム ステップ点群のシーケンスを考慮して、将来の点群シーケンスを予測する新しいアーキテクチャである ATPPNet を紹介します。
ATPPNet は、Conv-LSTM をチャネルごとの空間的注意とともに活用し、3D-CNN ブランチによって二重に補完され、強化された時空間コンテキストを抽出して、将来の点群の高品質な忠実な予測を復元します。
私たちは公開されているデータセットに対して広範な実験を実施し、既存の手法を上回る素晴らしいパフォーマンスを報告しています。
また、提案されたアーキテクチャの徹底的なアブレーティブ スタディを実施し、オドメトリ推定などのタスクに対するモデルの可能性を強調するアプリケーション スタディを提供します。

要約(オリジナル)

Point cloud prediction is an important yet challenging task in the field of autonomous driving. The goal is to predict future point cloud sequences that maintain object structures while accurately representing their temporal motion. These predicted point clouds help in other subsequent tasks like object trajectory estimation for collision avoidance or estimating locations with the least odometry drift. In this work, we present ATPPNet, a novel architecture that predicts future point cloud sequences given a sequence of previous time step point clouds obtained with LiDAR sensor. ATPPNet leverages Conv-LSTM along with channel-wise and spatial attention dually complemented by a 3D-CNN branch for extracting an enhanced spatio-temporal context to recover high quality fidel predictions of future point clouds. We conduct extensive experiments on publicly available datasets and report impressive performance outperforming the existing methods. We also conduct a thorough ablative study of the proposed architecture and provide an application study that highlights the potential of our model for tasks like odometry estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google