面向3D目标检测与定位的LiDAR光束配置端到端优化
机器人学
2023-03-29 v2 机器学习
摘要
现有基于LiDAR应用的学习方法使用在预定光束配置下扫描的3D点，例如光束的仰角常均匀分布。这些固定配置与任务无关，因此直接使用会导致次优性能。本工作中，我们采取新路径，学习为给定应用优化LiDAR光束配置。具体而言，我们提出一个基于强化学习的学以优化（RL-L2O）框架，针对不同基于LiDAR的应用以端到端方式自动优化光束配置。优化由目标任务的最终性能引导，因此我们的方法可作为一个简单即插即用模块轻松集成于任何基于LiDAR的应用。该方法在需要低分辨率（低成本）LiDAR时尤为有用，例如大规模系统部署。我们利用该方法为低分辨率LiDAR搜索用于两项重要任务的光束配置：3D目标检测与定位。实验表明，相较基线方法，所提RL-L2O方法在两项任务中均显著提升性能。我们相信，我们的方法与近期可编程LiDAR进展的结合，可开启基于LiDAR主动感知的新研究方向。代码公开于 https://github.com/vniclas/lidar_beam_selection
引用
@article{arxiv.2201.03860,
title = {End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization},
author = {Niclas Vödisch and Ozan Unal and Ke Li and Luc Van Gool and Dengxin Dai},
journal= {arXiv preprint arXiv:2201.03860},
year = {2023}
}