Off-Road LiDAR Intensity Based Semantic Segmentation

要約

LiDARは、3D空間情報を提供し、オフロード環境での正確な知覚を可能にし、障害物検出、マッピング、および経路計画を支援するために、自律走行で使用されています。学習ベースのLiDARセマンティックセグメンテーションは、LiDAR点群内の物体や領域を自動的に分類するために機械学習技術を利用します。学習ベースのモデルは、様々な色、テクスチャ、未定義の境界を持つ多様なオブジェクトが存在するため、オフロード環境では苦戦を強いられ、従来の幾何学ベースの特徴を用いてオブジェクトを正確に分類、セグメンテーションすることが困難となる。本論文では、LiDARの強度パラメータを利用して、オフロード環境におけるオブジェクトのセグメンテーションを強化することで、この問題に対処する。我々のアプローチはRELLIS-3Dデータセットで評価され、より複雑なディープラーニングベースのベンチマークと比較して、クラス「水たまり」と「草」のmIoUが改善され、予備分析として有望な結果が得られた。この手法は、VelodyneとOuster LiDARの両方のシステムで互換性が評価され、クロスプラットフォームでの適用性が保証されました。この分析では、学習ベースのセマンティックセグメンテーションフレームワークの予測精度を高めることを目的として、補足入力として較正された強度を組み込むことを提唱している。https://github.com/MOONLABIISERB/lidar-intensity-predictor/tree/main

要約(オリジナル)

LiDAR is used in autonomous driving to provide 3D spatial information and enable accurate perception in off-road environments, aiding in obstacle detection, mapping, and path planning. Learning-based LiDAR semantic segmentation utilizes machine learning techniques to automatically classify objects and regions in LiDAR point clouds. Learning-based models struggle in off-road environments due to the presence of diverse objects with varying colors, textures, and undefined boundaries, which can lead to difficulties in accurately classifying and segmenting objects using traditional geometric-based features. In this paper, we address this problem by harnessing the LiDAR intensity parameter to enhance object segmentation in off-road environments. Our approach was evaluated in the RELLIS-3D data set and yielded promising results as a preliminary analysis with improved mIoU for classes ‘puddle’ and ‘grass’ compared to more complex deep learning-based benchmarks. The methodology was evaluated for compatibility across both Velodyne and Ouster LiDAR systems, assuring its cross-platform applicability. This analysis advocates for the incorporation of calibrated intensity as a supplementary input, aiming to enhance the prediction accuracy of learning based semantic segmentation frameworks. https://github.com/MOONLABIISERB/lidar-intensity-predictor/tree/main

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL