基于三层采样与全景表示的城市尺度增量式神经建图
计算机视觉与模式识别
2023-04-13 v2 机器人学
摘要
神经隐式表示近来引起机器人学界的广泛关注，因其具有表达力强、连续且紧凑的特点。然而，基于稀疏 LiDAR 输入的城市尺度持续隐式稠密建图仍是一项未被充分探索的挑战。为此，我们成功构建了具有全景表示的城市尺度持续神经建图系统，该表示由环境级与实例级建模组成。给定稀疏 LiDAR 点云流，其维护一个动态生成模型，将 3D 坐标映射到符号距离场（SDF）值。为解决城市尺度空间中不同层级几何信息表示的困难，我们提出定制的三层采样策略以动态采样全局、局部与近表面域。同时，为实现不完整观测下实例的高保真建图，引入类别特定先验以更好地建模几何细节。我们在公开 SemanticKITTI 数据集上评估，并利用定量与定性结果证明了新提出的三层采样策略与全景表示的重要性。代码与模型将公开可用。
引用
@article{arxiv.2209.14072,
title = {City-scale Incremental Neural Mapping with Three-layer Sampling and Panoptic Representation},
author = {Yongliang Shi and Runyi Yang and Pengfei Li and Zirui Wu and Hao Zhao and Guyue Zhou},
journal= {arXiv preprint arXiv:2209.14072},
year = {2023}
}
备注
8 pages, 9 figures