3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation

要約

正確な地図の構築は、自律走行車の信頼性の高い定位、プランニング、ナビゲーションを可能にするための重要なビルディングブロックである。我々は、一連のLiDARスキャンを利用して動的環境の正確なマップを構築するための新しいアプローチを提案する。この目的のために、各点に時間依存の切断符号付き距離関数をフィットさせることにより、4次元シーンを新しい時空間陰的神経地図表現にエンコードすることを提案する。この表現を用いて、動的な部分をフィルタリングすることで、静的なマップを抽出する。我々のニューラル表現は、疎な特徴グリッド、大域的に共有されたデコーダ、時間依存の基底関数に基づいており、これらを教師無しで共同で最適化する。LiDARスキャンのシーケンスからこの表現を学習するために、我々は単純かつ効率的な損失関数を設計し、断片的な方法でマップ最適化を監督する。我々は、静的マップの再構成品質と動的点群のセグメンテーションの観点から、動く物体を含む様々なシーンで我々のアプローチを評価する。実験結果は、我々の手法が、正確で完全な3Dマップを再構成する一方で、入力点群の動的な部分を除去することが可能であり、いくつかの最先端の手法よりも優れていることを示している。コードは https://github.com/PRBonn/4dNDF から入手可能。

要約(オリジナル)

Building accurate maps is a key building block to enable reliable localization, planning, and navigation of autonomous vehicles. We propose a novel approach for building accurate maps of dynamic environments utilizing a sequence of LiDAR scans. To this end, we propose encoding the 4D scene into a novel spatio-temporal implicit neural map representation by fitting a time-dependent truncated signed distance function to each point. Using our representation, we extract the static map by filtering the dynamic parts. Our neural representation is based on sparse feature grids, a globally shared decoder, and time-dependent basis functions, which we jointly optimize in an unsupervised fashion. To learn this representation from a sequence of LiDAR scans, we design a simple yet efficient loss function to supervise the map optimization in a piecewise way. We evaluate our approach on various scenes containing moving objects in terms of the reconstruction quality of static maps and the segmentation of dynamic point clouds. The experimental results demonstrate that our method is capable of removing the dynamic part of the input point clouds while reconstructing accurate and complete 3D maps, outperforming several state-of-the-art methods. Codes are available at: https://github.com/PRBonn/4dNDF

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL