面向三维 LiDAR 数据的深度语义分类

机器人被期望在动态环境中自主运行。理解物体的底层动态特性是实现这一目标的关键使能因素。本文中，我们提出了一种将三维 LiDAR 数据逐点语义分类为三类的方法：不可移动、可移动和动态。我们专注于理解这些特定语义，因为它们表征了自主系统所需的重要信息。场景中的不可移动点属于环境中不变的部分，而其余类别则对应于场景中变化的部分。可移动类与动态类的区别在于它们的运动状态。动态点可被感知为正在移动，而可移动物体能够移动，但被感知为静止。为了学习环境中可移动点与不可移动点的区别，我们引入了一种基于深度神经网络的方法；为了检测动态点，我们估计逐点运动。我们提出了一个贝叶斯滤波框架，用于结合学习到的语义线索与运动线索，以推断所需的语义分类。在大量实验中，我们将我们的方法与其他方法在标准基准数据集上进行了比较，并报告了与现有最先进技术相比具有竞争力的结果。此外，我们展示了通过将神经网络获取的语义线索与运动线索相结合，在点的分类上取得了改进。