3D-SeqMOS：自动驾驶中一种新颖的序贯 3D 运动目标分割方法
机器人学
2023-07-19 v1
摘要
对于机器人与自动驾驶中的 SLAM 系统，前端里程计与后端回环检测的准确性决定了整个智能系统的性能。但 LiDAR-SLAM 会受到当前场景运动物体的干扰，导致漂移误差甚至回环失败。因此，检测与分割运动物体的能力对于高精度定位与构建一致地图至关重要。本文中，我们解决从 3D LiDAR 扫描中分割运动物体以提升 SLAM 里程计与回环精度的问题。我们提出一种新颖的 3D 序贯运动目标分割(3D-SeqMOS)方法，能准确将场景分割为运动与静态物体，如运动与静态汽车。不同于现有的投影图像方法，我们处理原始 3D 点云并构建用于 MOS 任务的 3D 卷积神经网络。此外，为充分利用点云的时空信息，我们提出一种利用当前扫描空间特征与前序残差扫描时间特征的点云残差机制。并且，我们构建了一个完整 SLAM 框架以验证 3D-SeqMOS 的有效性与准确性。在 SemanticKITTI 数据集上的实验表明，我们提出的 3D-SeqMOS 方法能有效检测运动物体并提升 LiDAR 里程计与回环检测精度。测试结果显示我们的 3D-SeqMOS 优于最先进方法 12.4%。我们将所提方法扩展至 SemanticKITTI: Moving Object Segmentation 竞赛并取得排行榜第 2 名，显示了其有效性。
引用
@article{arxiv.2307.09044,
title = {3D-SeqMOS: A Novel Sequential 3D Moving Object Segmentation in Autonomous Driving},
author = {Qipeng Li and Yuan Zhuang and Yiwen Chen and Jianzhu Huai and Miao Li and Tianbing Ma and Yufei Tang and Xinlian Liang},
journal= {arXiv preprint arXiv:2307.09044},
year = {2023}
}