利用场景流对齐点云序列的鸟瞰图表示
计算机视觉与模式识别
2023-05-05 v1 机器人学
摘要
低分辨率点云因其稀疏性而对目标检测方法构成挑战。通过将当前点云与其先前帧拼接以使其稠密化是应对该挑战的流行方案。这种拼接之所以可行，归功于利用里程计去除自车运动。该方法称为自车运动补偿（EMC）。得益于新增的点，EMC 显著提升了单帧检测器的性能。然而，它受到阴影效应的困扰，表现为动态物体点沿其轨迹散射。该效应导致特征图与物体位置之间的错位，从而将性能提升仅限于静止和慢速运动物体。场景流允许在 3D 空间中对齐点云，从而自然解决特征空间中的错位。通过观察场景流计算与 3D 目标检测流程共享若干组件，我们开发了一个插件模块，使单帧检测器能够计算场景流以校正其鸟瞰图表示。在 NuScenes 数据集上的实验表明，我们的模块使大型车辆的平均精度显著提升（高达 16%），这有趣地展示了最严重的阴影效应。代码发布于 https://github.com/quan-dao/pc-corrector。
引用
@article{arxiv.2305.02909,
title = {Aligning Bird-Eye View Representation of Point Cloud Sequences using Scene Flow},
author = {Minh-Quan Dao and Vincent Frémont and Elwan Héry},
journal= {arXiv preprint arXiv:2305.02909},
year = {2023}
}
备注
Accepted by IEEE Intelligent Vehicles Symposium 2023 (IV 2023)