End-to-end Unsupervised Learning of Long-Term 3D Stable objects

要約

3次元点群の意味分類は、マッピングされた環境のより良い理解を可能にするため、ロボティクスにおいて重要なタスクである。本研究では、PointNet++に基づくニューラルネットワークを用いて、3Dオブジェクトの長期安定性を学習することを提案する。ここで、長期安定オブジェクトとは、それ自身では動くことができない静的オブジェクト（例えば、木、ポール、建物）を指す。学習データは、同一環境の複数のタイムスライスを利用し、個々の点に連続的なラベルを割り当てることにより教師なし方式で生成される。静的／動的といった離散的なラベルを用いる代わりに、点の時間的安定性を示す連続的なラベル値を用いて、回帰PointNet++ネットワークを学習することを提案する。我々は、NCLTデータセットから2つの駐車場の点群データを用いて、本アプローチを評価した。実験の結果、静的/動的オブジェクトの分類は、分類モデルを直接学習する場合と比較して、回帰モデルを学習した後に閾値を設定することで最適になることが明らかとなった。

要約(オリジナル)

3D point cloud semantic classification is an important task in robotics as it enables a better understanding of the mapped environment. This work proposes to learn the long-term stability of the 3D objects using a neural network based on PointNet++, where the long-term stable object refers to a static object that cannot move on its own (e.g. tree, pole, building). The training data is generated in an unsupervised manner by assigning a continuous label to individual points by exploiting multiple time slices of the same environment. Instead of using discrete labels, i.e. static/dynamic, we propose to use a continuous label value indicating point temporal stability to train a regression PointNet++ network. We evaluated our approach on point cloud data of two parking lots from the NCLT dataset. The experiments’ performance reveals that static vs dynamic object classification is best performed by training a regression model, followed by thresholding, compared to directly training a classification model.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL