MinkUNeXt-SI: Improving point cloud-based place recognition including spherical coordinates and LiDAR intensity

要約

自律ナビゲーションシステムでは、場所認識問題の解決策が安全に機能するために不可欠です。
しかし、これは些細なソリューションではありません。季節の変化や異なる気象条件など、シーンの変化に関係なく正確でなければならず、他の環境に一般化できる必要があります。
このペーパーでは、Lidar Pointクラウドから始まるメソッドMinkunext-Siは、入力データを前処理して、各ポイントで0〜1の範囲内で正規化された球状の座標と強度値を取得し、堅牢な場所認識記述子を生成します。
そのため、Minkowskiの畳み込みとSkip ConnectionsとU-Netアーキテクチャを組み合わせた深い学習アプローチが使用されます。
Minkunext-Siの結果は、この方法が最先端のパフォーマンスに到達して超えていることを示していますが、他のデータセットにも十分に一般化します。
さらに、カスタムデータセットのキャプチャとソリューションの評価におけるその使用を紹介します。これは、優れた結果も達成します。
ソリューションのコードとデータセットの実行の両方は、再現性のために公開されています。

要約(オリジナル)

In autonomous navigation systems, the solution of the place recognition problem is crucial for their safe functioning. But this is not a trivial solution, since it must be accurate regardless of any changes in the scene, such as seasonal changes and different weather conditions, and it must be generalizable to other environments. This paper presents our method, MinkUNeXt-SI, which, starting from a LiDAR point cloud, preprocesses the input data to obtain its spherical coordinates and intensity values normalized within a range of 0 to 1 for each point, and it produces a robust place recognition descriptor. To that end, a deep learning approach that combines Minkowski convolutions and a U-net architecture with skip connections is used. The results of MinkUNeXt-SI demonstrate that this method reaches and surpasses state-of-the-art performance while it also generalizes satisfactorily to other datasets. Additionally, we showcase the capture of a custom dataset and its use in evaluating our solution, which also achieves outstanding results. Both the code of our solution and the runs of our dataset are publicly available for reproducibility purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google