GLiDR: Topologically Regularized Graph Generative Network for Sparse LiDAR Point Clouds

要約

LiDAR 点群がまばらであると、静的構造の詳細が大幅に失われ、ナビゲーションに利用できる静的点の密度が減少します。
密度の低下は、いくつかのシナリオでナビゲーションに悪影響を与える可能性があります。
高いスパース性にもかかわらず、ほとんどの場合、静的構造の概要を示す LiDAR のグローバル トポロジーが推測できることがわかります。
このプロパティを利用して、グローバル トポロジのプロキシである単一の接続コンポーネントの形式で LiDAR スキャンのバックボーン スケルトンを取得します。
バックボーンを利用して静的構造に沿って新しいポイントを拡張し、まばらさを克服します。
新しく導入されたポイントは、既存の静的構造、または動的オブジェクトによって以前に妨げられた静的ポイントに対応する可能性があります。
私たちの知る限り、まばらな LiDAR 点群に対してこのような戦略を使用したのは私たちが初めてです。
私たちのアプローチに近い既存のソリューションは、グローバルな静的 LiDAR トポロジを特定して保存することができず、次善のポイントを生成します。
我々は、0 次元の Persistent Homology ($\mathcal{PH}$) 制約を使用してトポロジー的に正規化されたグラフ生成ネットワークである GLiDR を提案します。
これにより、GLiDR はトポロジ的に一貫したグローバル静的 LiDAR バックボーンに沿って新しい静的ポイントを導入できるようになります。
GLiDR は、$32\times$ のスパーサー動的スキャンを使用して正確な静的ポイントを生成し、3 つのデータセットにわたるベースラインよりも優れたパフォーマンスを発揮します。
GLiDR は貴重な副産物、つまり制約された環境でのナビゲーション計画と安全性に役立つ静的および動的オブジェクトの正確なバイナリ セグメンテーション マスクを生成します。
新たに導入された静的ポイントにより、GLiDR はいくつかの設定で SLAM を使用した LiDAR ベースのナビゲーションよりも優れたパフォーマンスを発揮できます。
ソース コードは $\texttt{https://github.com/GLiDR-CVPR2024/GLiDR}$ で入手できます。

要約(オリジナル)

Sparse LiDAR point clouds cause severe loss of detail of static structures and reduce the density of static points available for navigation. Reduced density can be detrimental to navigation under several scenarios. We observe that despite high sparsity, in most cases, the global topology of LiDAR outlining the static structures can be inferred. We utilize this property to obtain a backbone skeleton of a LiDAR scan in the form of a single connected component that is a proxy to its global topology. We utilize the backbone to augment new points along static structures to overcome sparsity. Newly introduced points could correspond to existing static structures or to static points that were earlier obstructed by dynamic objects. To the best of our knowledge, we are the first to use such a strategy for sparse LiDAR point clouds. Existing solutions close to our approach fail to identify and preserve the global static LiDAR topology and generate sub-optimal points. We propose GLiDR, a Graph Generative network that is topologically regularized using 0-dimensional Persistent Homology ($\mathcal{PH}$) constraints. This enables GLiDR to introduce newer static points along a topologically consistent global static LiDAR backbone. GLiDR generates precise static points using $32\times$ sparser dynamic scans and performs better than the baselines across three datasets. GLiDR generates a valuable byproduct – an accurate binary segmentation mask of static and dynamic objects that are helpful for navigation planning and safety in constrained environments. The newly introduced static points allow GLiDR to outperform LiDAR-based navigation using SLAM in several settings. Source code is available at $\texttt{https://github.com/GLiDR-CVPR2024/GLiDR}$.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google