Low Latency Instance Segmentation by Continuous Clustering for LiDAR Sensors

要約

LiDAR 点群の低遅延インスタンス セグメンテーションは、ロボットの認識パイプラインの初期かつ頻繁に使用される構成要素として機能し、すべてのタスクでさらに遅延が追加されるため、実世界のアプリケーションでは非常に重要です。
特に動的環境では、高速道路のシナリオで見られるように、この合計遅延により動的オブジェクトの位置が大幅にオフセットされる可能性があります。
この問題に対処するために、私たちは連続クラスタリングと呼ぶ新しい技術を採用しました。
LiDAR センサーの完全な革命を使用するほとんどの既存のクラスタリング アプローチとは異なり、当社はデータ ストリームを継続的かつシームレスな方法で処理します。
私たちのアプローチは、複数の離散距離画像による完全または部分的なセンサー回転の概念に依存しません。
代わりに、距離画像を単一の無限に水平に成長する実体として見ます。
この連続距離画像の新しい列は、利用可能になるとすぐに処理されます。
障害点は既存のインスタンスにリアルタイムでクラスター化され、革命やその他の統合期間の完了を待たずにインスタンスを公開するために、どのインスタンスが完了したかが高頻度でチェックされます。
回転センサーの場合、スキャンの終了点と開始点の間に問題となる不連続性は観察されません。
この研究では、2 層のデータ構造と、連続クラスタリングに対応するアルゴリズムについて説明します。
クラスター内のすべてのポイントの最新のタイムスタンプに関して、わずか 5 ミリ秒の平均遅延を達成できます。
ソースコードは https://github.com/UniBwTAS/continuous_clustering で公開しています。

要約(オリジナル)

Low-latency instance segmentation of LiDAR point clouds is crucial in real-world applications because it serves as an initial and frequently-used building block in a robot’s perception pipeline, where every task adds further delay. Particularly in dynamic environments, this total delay can result in significant positional offsets of dynamic objects, as seen in highway scenarios. To address this issue, we employ a new technique, which we call continuous clustering. Unlike most existing clustering approaches, which use a full revolution of the LiDAR sensor, we process the data stream in a continuous and seamless fashion. Our approach does not rely on the concept of complete or partial sensor rotations with multiple discrete range images; instead, it views the range image as a single and infinitely horizontally growing entity. Each new column of this continuous range image is processed as soon it is available. Obstacle points are clustered to existing instances in real-time and it is checked at a high-frequency which instances are completed in order to publish them without waiting for the completion of the revolution or some other integration period. In the case of rotating sensors, no problematic discontinuities between the points of the end and the start of a scan are observed. In this work we describe the two-layered data structure and the corresponding algorithm for continuous clustering. It is able to achieve an average latency of just 5 ms with respect to the latest timestamp of all points in the cluster. We are publishing the source code at https://github.com/UniBwTAS/continuous_clustering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google