AlignNet-3D：部分观测物体的快速点云配准
计算机视觉与模式识别
2019-10-11 v1 机器人学
摘要
处理多目标跟踪的方法需要估计感知区域内的目标数量及其连续状态。虽然大多数现有方法聚焦于数据关联，精确的的状态（3D位姿）估计通常仅通过以质心或（3D）包围盒近似目标来粗略估计。然而，在自动驾驶场景中，对周围智能体的运动感知至关重要，且车辆近处的误差可能带来灾难性后果。本工作中，我们聚焦于精确的3D轨迹状态估计，并提出一种基于学习的方法，用于部分观测物体的以对象为中心的相对运动估计。我们的方法能够利用物体带噪声的3D点段来估计其运动，而非以质心近似目标。为此，我们提出了一个简单却有效且高效的网络 \method，其学习对齐点云。我们在两个不同数据集上的评估表明，我们的方法优于计算昂贵的全局3D配准方法，同时显著更高效。我们将数据、代码和模型发布于 https://www.vision.rwth-aachen.de/page/alignnet。
引用
@article{arxiv.1910.04668,
title = {AlignNet-3D: Fast Point Cloud Registration of Partially Observed Objects},
author = {Johannes Groß and Aljosa Osep and Bastian Leibe},
journal= {arXiv preprint arXiv:1910.04668},
year = {2019}
}
备注
Presented at 3DV'19