Radar Instance Transformer: Reliable Moving Instance Segmentation in Sparse Radar Point Clouds

要約

移動物体の認識は、動的環境で衝突回避を実行する自律ロボットにとって非常に重要です。
LiDAR とカメラはシーンの解釈を大幅に強化しますが、直接的な動き情報は提供しないため、悪天候下では制限に直面します。
レーダー センサーはこれらの制限を克服し、ドップラー速度を提供し、動的物体に関する直接情報を提供します。
この論文では、安全性が重要なタスクのシーン解釈を強化するために、レーダー点群における移動インスタンスのセグメンテーションの問題に取り組みます。
当社のレーダー インスタンス トランスフォーマーは、集約されたスキャンをニューラル ネットワークに渡すことなく、現在のレーダー スキャンを時間情報で強化します。
私たちは、まばらな点群処理における情報損失を防ぐためにフル解像度のバックボーンを提案します。
当社のインスタンス トランスフォーマー ヘッドには、セグメンテーションを強化するための重要な情報が組み込まれているだけでなく、信頼性の高い、クラスに依存しないインスタンスの割り当ても可能になります。
要約すると、私たちのアプローチは、多様な環境を含む新しい移動インスタンスのセグメンテーション ベンチマークで優れたパフォーマンスを示し、シーンの解釈を強化するモデルに依存しないモジュールを提供します。
このベンチマークは RadarScenes データセットに基づいており、承認され次第利用可能になります。

要約(オリジナル)

The perception of moving objects is crucial for autonomous robots performing collision avoidance in dynamic environments. LiDARs and cameras tremendously enhance scene interpretation but do not provide direct motion information and face limitations under adverse weather. Radar sensors overcome these limitations and provide Doppler velocities, delivering direct information on dynamic objects. In this paper, we address the problem of moving instance segmentation in radar point clouds to enhance scene interpretation for safety-critical tasks. Our Radar Instance Transformer enriches the current radar scan with temporal information without passing aggregated scans through a neural network. We propose a full-resolution backbone to prevent information loss in sparse point cloud processing. Our instance transformer head incorporates essential information to enhance segmentation but also enables reliable, class-agnostic instance assignments. In sum, our approach shows superior performance on the new moving instance segmentation benchmarks, including diverse environments, and provides model-agnostic modules to enhance scene interpretation. The benchmark is based on the RadarScenes dataset and will be made available upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google