GLiDR：用于稀疏 LiDAR 点云拓扑正则化的图生成网络
机器人学
2024-05-27 v3 计算机视觉与模式识别
摘要
稀疏 LiDAR 点云导致静态结构细节严重丢失，并降低可用于导航的静态点密度。密度降低在多种场景下对导航有害。我们观察到，尽管高度稀疏，大多数情况下可推断勾勒静态结构的 LiDAR 全局拓扑。我们利用此性质获取 LiDAR 扫描的骨干骨架，其形式为单一连通分量，作为全局拓扑的代理。我们利用该骨干沿静态结构增补新点以克服稀疏性。引入的新点可能对应于已有静态结构，或先前被动态物体遮挡的静态点。据我们所知，我们首次将此类策略用于稀疏 LiDAR 点云。接近我们方法的现有方案未能识别并保留全局静态 LiDAR 拓扑，生成次优点。我们提出 GLiDR，一种利用零维持久同调（）约束进行拓扑正则化的图生成网络。这使 GLiDR 能沿拓扑一致的全局静态 LiDAR 骨干引入新的静态点。GLiDR 利用稀疏 倍的动态扫描生成精确静态点，并在三个数据集上优于基线。GLiDR 生成有价值的副产品——静态与动态物体的精确二值分割掩码，有助于受限环境中的导航规划与安全。新引入的静态点使 GLiDR 在多种设置下优于基于 LiDAR 的 SLAM 导航。源代码见 https://kshitijbhat.github.io/glidr
引用
@article{arxiv.2312.00068,
title = {GLiDR: Topologically Regularized Graph Generative Network for Sparse LiDAR Point Clouds},
author = {Prashant Kumar and Kshitij Madhav Bhat and Vedang Bhupesh Shenvi Nadkarni and Prem Kalra},
journal= {arXiv preprint arXiv:2312.00068},
year = {2024}
}
备注
IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR)