用 SPF2 反转姿态预测流程：用于序列姿态预测的序列点云预测

许多自治系统预测未来的某些方面以辅助决策。例如，自动驾驶车辆和机器人操纵系统通常首先检测和跟踪目标来预测未来目标姿态。然而，这种先检测再预测的流程扩展成本高，因为姿态预测算法通常需要标注的目标姿态序列，而在 3D 空间中获取这些标注代价高昂。我们能否在不需额外标注的情况下扩展性能？我们假设可以，并提议反转先检测再预测的流程。我们提议先预测 3D 传感器数据（例如含 $100$k 个点的点云），然后在预测的点云序列上检测/跟踪目标以获得未来姿态，即先预测再检测的流程，而不是检测、跟踪然后预测目标。这种反转使得扩展姿态预测的成本更低，因为传感器数据预测任务不需要标注。本工作部分聚焦于具有挑战性的第一步——序列点云预测（SPF），我们也为此提出了一种有效的方法 SPFNet。为了将我们的先预测再检测流程与先检测再预测流程进行比较，我们提出了一种评估程序和两个指标。通过在机器人操纵数据集和两个驾驶数据集上的实验，我们表明 SPFNet 对 SPF 任务有效，我们的先预测再检测流程优于我们所比较的先检测再预测方法，并且姿态预测性能随未标注数据的加入而提升。