开放世界中的激光雷达全景分割

解决激光雷达全景分割（LPS）对于自动驾驶汽车的安全部署至关重要。LPS 旨在根据预定义的语义类别词汇表对激光雷达点云进行识别与分割，这些类别包括可数物体的实例类别（thing classes，例如行人和车辆）以及无定形区域的背景类别（stuff classes，例如植被和道路）。重要的是，LPS 需要对单个实例进行分割（例如每一辆车）。当前的 LPS 方法做出了一个不切实际的假设，即语义类别词汇表在真实的开放世界中是固定的；但事实上，随着机器人遇到预定义类别词汇表中被视为未知的新类别实例，类别本体通常随时间演化。为了应对这一不切实际的假设，我们研究了开放世界中的 LPS（LiPSOW）：我们在具有预定义语义类别词汇表的数据集上训练模型，并研究其对可能出现实例和背景类别新实例的更大数据集的泛化能力。这一实验设置得出了有趣的结论。虽然现有技术训练特定类别的实例分割方法并在已知类别上取得了 SOTA 结果，但基于类别无关的自底向上聚类的方法在初始类别词汇表之外的类别（即未知类别）上表现更优。然而，这些方法在已知类别上的表现与完全数据驱动的方法并不相当。我们的工作提出了一种折中方案：我们进行类别无关的点聚类，并以分层方式对输入点云进行过分割，随后进行类似于 Region Proposal Network 的二值点片段分类。我们通过在点片段的加权层次树中计算割来获得最终的点云分割，该过程独立于语义分类。值得注意的是，这种统一的方法在已知和未知类别上均取得了强大的性能。