场景变换：面向移动机器人的无监督 LiDAR 变化检测

本文提出一种面向配备 3D LiDAR 的移动机器人的完全无监督深度变化检测方法。在非结构化环境中，定义封闭的语义类别集合是不可行的。相反，语义分割被重新表述为二值变化检测。我们开发了一个神经网络 RangeNetCD，它使用已有的点云地图和实时 LiDAR 扫描来检测相对于地图的场景变化。利用一种新颖的损失函数，已有的点云语义分割网络可以在无任何标签或关于局部语义的假设的情况下被训练来执行变化检测。我们在来自具有挑战性地形的数据上展示了该方法的性能；平均交并比（mIoU）分数根据环境结构的多少在 67.4% 到 82.2% 之间。这优于所有实验中使用的几何基线。该神经网络以快于 10Hz 的速度运行，并集成到机器人的自主堆栈中，以允许在 intersects 规划路径的障碍物周围安全导航。此外，描述了一种用于快速自动获取逐点真值标签的新方法。用逆反射材料覆盖场景的变化部分并对 LiDAR 的强度通道应用阈值滤波器，可以实现变化检测器的定量评估。