DSLR：基于对抗训练自编码器的动态到静态激光雷达扫描重建
计算机视觉与模式识别
2021-05-28 v1 人工智能
机器学习
机器人学
摘要
从包含动态物体的激光雷达扫描中精确重建静态环境（我们称之为动态到静态转换，DST）是自主导航中的一个重要研究方向。该问题近期已在视觉SLAM中得到探索，但据我们所知，尚未有工作尝试解决激光雷达扫描的DST问题。由于激光雷达在自动驾驶车辆中的广泛采用，该问题至关重要。我们表明，为视觉域开发的最先进方法在适配到激光雷达扫描时表现不佳。我们开发了DSLR，一种深度生成模型，通过对抗训练的自编码器学习从动态扫描到其静态对应物的映射。我们的模型给出了首个针对激光雷达DST的解决方案，可在不使用显式分割标签的情况下生成静态扫描。由于缺乏成对的动态-静态扫描，DSLR并非总能应用于真实世界数据。利用无监督域适应，我们提出DSLR-UDA以迁移到真实世界数据，并通过实验表明其在真实场景下表現良好。此外，若可获得分割信息，我们将DSLR扩展为DSLR-Seg以进一步提升重建质量。DSLR在仿真和真实世界数据集上均取得了最先进的性能，并展现出至少4倍的改进。我们表明，与现有基线不同，DSLR是一种实际可行的模型，其重建质量在动态环境下自主导航相关任务（如SLAM）的可容忍限度之内。
引用
@article{arxiv.2105.12774,
title = {DSLR: Dynamic to Static LiDAR Scan Reconstruction Using Adversarially Trained Autoencoder},
author = {Prashant Kumar and Sabyasachi Sahoo and Vanshil Shah and Vineetha Kondameedi and Abhinav Jain and Akshaj Verma and Chiranjib Bhattacharyya and Vinay Viswanathan},
journal= {arXiv preprint arXiv:2105.12774},
year = {2021}
}
备注
17 pages, 15 figures, Accepted at AAAI 2021