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

要約

ニューラルの暗黙的表現は、表現力があり、連続的でコンパクトであるため、最近、ロボティクス コミュニティから多くの注目を集めています。
ただし、スパース LiDAR 入力に基づく都市規模のインクリメンタルな暗黙的高密度マッピングは、まだ調査されていない課題です。
この目的のために、環境レベルとインスタンスレベルのモデリングの両方で構成されるパノラマ表現を使用して、最初の都市規模のインクリメンタル ニューラル マッピング システムを構築することに成功しました。
スパース LiDAR ポイント クラウドのストリームが与えられると、3D 座標を符号付き距離フィールド (SDF) 値にマッピングする動的な生成モデルが維持されます。
都市規模の空間のさまざまなレベルで幾何学的情報を表現することの難しさに対処するために、グローバル、ローカル、および表面付近のドメインを動的にサンプリングする、調整された 3 層サンプリング戦略を提案します。
一方、忠実度の高いマッピングを実現するために、カテゴリ固有の事前分布が導入されて、幾何学的詳細をより適切にモデル化し、パノプティック表現につながります。
公開されている SemanticKITTI データセットを評価し、定量的および定性的結果の両方を使用して、新しく提案された 3 層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。
コードとデータは公開されます。

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 incremental implicit dense mapping based on sparse LiDAR input is still an under-explored challenge. To this end,we successfully build the first city-scale incremental neural mapping system with a panoptic representation that consists of both 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, category-specific prior is introduced to better model the geometric details, leading to a panoptic representation. 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 data will be publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google