SSF: Sparse Long-Range Scene Flow for Autonomous Driving

要約

シーンフローにより、3D世界の環境の動き特性を理解することができます。
それは、遠い観測がまばらであるためにオブジェクトベースの知覚方法が失敗する可能性のある長距離で特に重要性を獲得します。
大規模なポイント雲を処理するためにシーンフローパイプラインで大きな進歩がなされていますが、長距離に関してギャップはスケーラビリティのままです。
この制限は、範囲で2次尺度でスケーリングする密な特徴グリッドを使用するという一般的な設計の選択に起因します。
このホワイトペーパーでは、長距離シーンフローの一般的なパイプラインであるスパースシーンフロー（SSF）を提案し、機能抽出のためにまばらな畳み込みベースのバックボーンを採用しています。
このアプローチは、新しい課題を紹介します。サイズの不一致と、時間シーケンシャルポイントスキャン間のスパース機能マップの順序付けです。
これに対処するために、欠落している場所で仮想ボクセルを使用した機能マップを拡張するスパース機能融合スキームを提案します。
さらに、遠く離れたポイントを暗黙的に重要性を与える範囲のメトリックを提案します。
私たちの方法であるSSFは、Argoverse2データセットで最新の結果を達成し、長距離シーンフロー推定で強力なパフォーマンスを示しています。
私たちのコードはhttps://github.com/kth-rpl/ssf.gitでリリースされます。

要約(オリジナル)

Scene flow enables an understanding of the motion characteristics of the environment in the 3D world. It gains particular significance in the long-range, where object-based perception methods might fail due to sparse observations far away. Although significant advancements have been made in scene flow pipelines to handle large-scale point clouds, a gap remains in scalability with respect to long-range. We attribute this limitation to the common design choice of using dense feature grids, which scale quadratically with range. In this paper, we propose Sparse Scene Flow (SSF), a general pipeline for long-range scene flow, adopting a sparse convolution based backbone for feature extraction. This approach introduces a new challenge: a mismatch in size and ordering of sparse feature maps between time-sequential point scans. To address this, we propose a sparse feature fusion scheme, that augments the feature maps with virtual voxels at missing locations. Additionally, we propose a range-wise metric that implicitly gives greater importance to faraway points. Our method, SSF, achieves state-of-the-art results on the Argoverse2 dataset, demonstrating strong performance in long-range scene flow estimation. Our code will be released at https://github.com/KTH-RPL/SSF.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google