Particle-based Instance-aware Semantic Occupancy Mapping in Dynamic Environments

要約

動的環境においてインタラクションを意識したロボットを実現するためには、インスタンスの意味と幾何学的情報を意識して3D環境を表現することが重要である。しかしながら、このような表現には、センサノイズ、インスタンスのセグメンテーションとトラッキングエラー、物体の動的な動きなどの課題がある。本論文では、これらの課題に取り組むために、新しいパーティクルに基づくインスタンス認識セマンティック占有マップを紹介する。インスタンス状態を拡張したパーティクルを用いて、オブジェクトの確率仮説密度（PHD）を推定し、暗黙的に環境をモデル化する。状態拡張逐次モンテカルロPHD(S$^2$MC-PHD)フィルタを利用し、これらの粒子を更新して、占有状態、意味、インスタンスIDを共同で推定し、ノイズを緩和する。さらに、記憶モジュールを採用することで、過去に観測されたオブジェクトに対するマップの応答性を高める。Virtual KITTI 2データセットを用いた実験の結果、提案手法が、様々なノイズ条件下において、複数のメトリクスにおいて最先端手法を上回ることが実証された。実世界のデータを用いた後続のテストにより、提案アプローチの有効性がさらに検証される。

要約(オリジナル)

Representing the 3D environment with instance-aware semantic and geometric information is crucial for interaction-aware robots in dynamic environments. Nevertheless, creating such a representation poses challenges due to sensor noise, instance segmentation and tracking errors, and the objects’ dynamic motion. This paper introduces a novel particle-based instance-aware semantic occupancy map to tackle these challenges. Particles with an augmented instance state are used to estimate the Probability Hypothesis Density (PHD) of the objects and implicitly model the environment. Utilizing a State-augmented Sequential Monte Carlo PHD (S$^2$MC-PHD) filter, these particles are updated to jointly estimate occupancy status, semantic, and instance IDs, mitigating noise. Additionally, a memory module is adopted to enhance the map’s responsiveness to previously observed objects. Experimental results on the Virtual KITTI 2 dataset demonstrate that the proposed approach surpasses state-of-the-art methods across multiple metrics under different noise conditions. Subsequent tests using real-world data further validate the effectiveness of the proposed approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL