Height Change Feature Based Free Space Detection

要約

自律型フォークリフトの場合、移動、ピック、プレース作業中に衝突を確実に防止することが重要です。
これを達成するには、フォークリフトは環境内の空きスペースと潜在的な障害物の領域を検出して位置を特定できなければなりません。
ただし、工場現場や生産ホールなどの非常に動的な環境では、多数の産業用トラックや作業員がエリア内を移動するため、これは特に困難です。
この論文では、次のステップからなる新しい空き領域検出方法を紹介します。
球面投影された LiDAR データに依存した表面法線推定のための新しい手法を紹介します。
その後、推定された表面法線を使用して自由空間を検出します。
提示された方法は、ラベル付けを必要とせず、高い処理速度によりリアルタイムのアプリケーションを保証できるヒューリスティックなアプローチです。
提案手法の有効性は、屋内および屋外の工場現場で取得された現実世界のデータセットへの適用と、セマンティック KITTI データセットでの評価を通じて実証されます [2]。
ベンチマーク データセットでは、105 Hz の処理速度で、平均 Intersection over Union (mIoU) スコア 50.90 % を達成しました。
さらに、工場現場のデータセットに対するアプローチを評価しました。
私たちの方法では、54 Hz で 63.30 % の mIoU スコアを達成しました。

要約(オリジナル)

In the context of autonomous forklifts, ensuring non-collision during travel, pick, and place operations is crucial. To accomplish this, the forklift must be able to detect and locate areas of free space and potential obstacles in its environment. However, this is particularly challenging in highly dynamic environments, such as factory sites and production halls, due to numerous industrial trucks and workers moving throughout the area. In this paper, we present a novel method for free space detection, which consists of the following steps. We introduce a novel technique for surface normal estimation relying on spherical projected LiDAR data. Subsequently, we employ the estimated surface normals to detect free space. The presented method is a heuristic approach that does not require labeling and can ensure real-time application due to high processing speed. The effectiveness of the proposed method is demonstrated through its application to a real-world dataset obtained on a factory site both indoors and outdoors, and its evaluation on the Semantic KITTI dataset [2]. We achieved a mean Intersection over Union (mIoU) score of 50.90 % on the benchmark dataset, with a processing speed of 105 Hz. In addition, we evaluated our approach on our factory site dataset. Our method achieved a mIoU score of 63.30 % at 54 Hz

arxiv情報

提供元, 利用サービス

arxiv.jp, Google