PCPNet：一种高效且语义增强的点云预测Transformer网络
计算机视觉与模式识别
2023-04-18 v1 机器人学
摘要
自动驾驶车辆极其需要基于过往感知信息预测环境未来结构特征的能力，这有助于使后续的决策与路径规划更加合理。近来，点云预测（PCP）被用于通过点云形式预测并描述未来环境结构。在本文中，我们提出了一种新颖的基于Transformer的高效网络，利用过往点云序列预测未来的LiDAR点云。我们还设计了一种语义辅助训练策略，使预测得到的LiDAR点云序列在语义上与真实值相似，从而提升了在实车应用中部署于更多任务的重要性。我们的方法完全自监督，这意味着它不需要任何人工标注，并对不同环境具有可靠的泛化能力。实验结果表明，我们的方法在预测结果与语义相似性上优于最先进的PCP方法，并具有良好的实时性能。我们的开源代码与预训练模型可在 https://github.com/Blurryface0814/PCPNet 获取。
引用
@article{arxiv.2304.07773,
title = {PCPNet: An Efficient and Semantic-Enhanced Transformer Network for Point Cloud Prediction},
author = {Zhen Luo and Junyi Ma and Zijie Zhou and Guangming Xiong},
journal= {arXiv preprint arXiv:2304.07773},
year = {2023}
}