LTS-NET：长期三维稳定物体的端到端无监督学习
计算机视觉与模式识别
2023-06-13 v3 机器人学
摘要
在本研究中，我们提出了一种端到端数据驱动的流水线，用于确定给定环境中物体的长期稳定性状态，具体区分静态与动态物体。理解物体稳定性对移动机器人至关重要，因为长期稳定物体可用作长期定位的地标。我们的流水线包括一种标注方法，利用环境的历史数据生成神经网络训练数据。我们提出使用逐点连续标签值（指示各点的时空稳定性）而非离散标签来训练名为LTS-NET的点云回归网络。我们的方法在NCLT数据集中两个停车场的激光点云数据上进行了评估，结果表明我们提出的方案优于直接训练用于静态与动态物体分类的分类模型。
引用
@article{arxiv.2301.03426,
title = {LTS-NET: End-to-end Unsupervised Learning of Long-Term 3D Stable objects},
author = {Ibrahim Hroob and Sergi Molina and Riccardo Polvara and Grzegorz Cielniak and Marc Hanheide},
journal= {arXiv preprint arXiv:2301.03426},
year = {2023}
}