City-scale Incremental Neural Mapping with Three-layer Sampling and Panoptic Representation

要約

タイトル: 3層のサンプリングとパノプティック表現を用いた都市スケールのインクリメンタルニューラルマッピング

要約:
– ロボティクスコミュニティにおいて、ニューラル暗黙的表現が注目されています。これらは、表現が豊かで、継続的かつコンパクトです。
– しかしながら、都市スケールでLiDARデータを基にした継続的ニューラルマッピングは未だ課題となっています。
– そこで、私たちは継続的なパノプティック表現を用いた都市スケールのニューラルマッピングシステムを構築しました。
– ストリームのスパースなLiDARポイントクラウドを入力に、動的生成モデルが3次元座標を符号付き距離場（SDF）値にマップします。
– 都市スケール空間において、異なるレベルの幾何情報を表現する難しさに取り組むため、グローバル、ローカル、近接表面のドメインをダイナミックにサンプリングするために、3層のサンプリング戦略を提案しています。
– 同時に、不完全な観察下でのインスタンスの高精度マッピングを実現するため、カテゴリ固有の先行知識が導入され、幾何学的詳細をよりよくモデル化します。
– 公開されたSemanticKITTIデータセットで評価し、定量的な結果と質的な結果の両方を用いて、新しく提案された3層のサンプリング戦略とパノプティック表現の重要性を示します。
– コードとモデルは公開される予定です。

要約(オリジナル)

Neural implicit representations are drawing a lot of attention from the robotics community recently, as they are expressive, continuous and compact. However, city-scale continual implicit dense mapping based on sparse LiDAR input is still an under-explored challenge. To this end, we successfully build a city-scale continual neural mapping system with a panoptic representation that consists of environment-level and instance-level modelling. Given a stream of sparse LiDAR point cloud, it maintains a dynamic generative model that maps 3D coordinates to signed distance field (SDF) values. To address the difficulty of representing geometric information at different levels in city-scale space, we propose a tailored three-layer sampling strategy to dynamically sample the global, local and near-surface domains. Meanwhile, to realize high fidelity mapping of instance under incomplete observation, category-specific prior is introduced to better model the geometric details. We evaluate on the public SemanticKITTI dataset and demonstrate the significance of the newly proposed three-layer sampling strategy and panoptic representation, using both quantitative and qualitative results. Codes and model will be publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI