用于生成在线基于LiDAR的运动目标分割训练数据的自动标注
机器人学
2022-04-26 v1
摘要
理解场景对于自动驾驶车辆至关重要，而将周边环境在线分割为运动与非运动目标的能力是该项任务的核心要素。通常，基于深度学习的方法被用于执行运动目标分割（MOS）。然而，这些网络的性能强烈依赖于标注训练数据的多样性和数量，而此类信息的获取可能代价高昂。本文提出一种面向3D LiDAR数据的自动数据标注流水线，以节省大量人工标注工作，并通过自动生成标注训练数据来提升现有基于学习的MOS系统的性能。我们所提方法通过离线批量处理数据来实现这一目标。它首先利用基于占据栅格的动态目标剔除来粗略检测可能的动态目标；其次，在候选区域中提取片段并使用卡尔曼滤波器进行跟踪；基于跟踪轨迹，将实际运动的物体（如行驶中的汽车和行人）标注为运动，而将非运动物体（如停放的车辆、路灯、道路或建筑）标注为静态。我们展示了该方法能够极其高效地标注LiDAR数据，并将其结果与其他标注生成方法进行比较。我们还使用自动生成的标签训练了一个深度神经网络，在相同数据上取得了与人工标签训练相当的性能，并在使用由本方法生成标签的额外数据集时取得了更优性能。此外，我们在多个数据集上使用不同传感器对所提方法进行了评估，实验表明本方法能够在多样环境中生成标签。
引用
@article{arxiv.2201.04501,
title = {Automatic Labeling to Generate Training Data for Online LiDAR-based Moving Object Segmentation},
author = {Xieyuanli Chen and Benedikt Mersch and Lucas Nunes and Rodrigo Marcuzzi and Ignacio Vizzo and Jens Behley and Cyrill Stachniss},
journal= {arXiv preprint arXiv:2201.04501},
year = {2022}
}
备注
under reviewing