RoMe: Towards Large Scale Road Surface Reconstruction via Mesh Representation

要約

大規模な路面の再構築は、貴重なトレーニングおよびテスト データを効果的に提供するため、自動運転システムにとって重要になってきています。
この論文では、メッシュ表現を介して大規模な道路表面を再構築するための、シンプルかつ効率的な手法である RoMe を紹介します。
問題を単純化するために、RoMe は 3D 道路表面を三角形メッシュと多層認識ネットワークに分解し、道路の標高を暗黙的にモデル化します。
表面の細かい詳細を保持するために、各メッシュ頂点には 2 つの追加属性、つまり色とセマンティクスがあります。
大規模環境における RoMe の効率を向上させるために、新しいウェイポイント サンプリング方法が導入されました。
そのため、RoMe は、道路領域に対する線形の計算複雑性のみで、路面の詳細を適切に保存できます。
さらに、RoMe の精度を向上させるために、不正確な外部キャリブレーションを軽減する外部最適化が提案されています。
一般的な公開データセットでの実験結果も、RoMe の効率と精度の高さを実証しています。

要約(オリジナル)

Large-scale road surface reconstruction is becoming important to autonomous driving systems, as it provides valuable training and testing data effectively. In this paper, we introduce a simple yet efficient method, RoMe, for large-scale Road surface reconstruction via Mesh representations. To simplify the problem, RoMe decomposes a 3D road surface into a triangle-mesh and a multilayer perception network to model the road elevation implicitly. To retain fine surface details, each mesh vertex has two extra attributes, namely color and semantics. To improve the efficiency of RoMe in large-scale environments, a novel waypoint sampling method is introduced. As such, RoMe can properly preserve road surface details, with only linear computational complexity to road areas. In addition, to improve the accuracy of RoMe, extrinsics optimization is proposed to mitigate inaccurate extrinsic calibrations. Experimental results on popular public datasets also demonstrate the high efficiency and accuracy of RoMe.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google