PointRNN：用于处理运动点云的点循环神经网络

本文引入一种用于处理运动点云的点循环神经网络（PointRNN）。在每个时间步，PointRNN 以点坐标 $\boldsymbol{P} \in \mathbb{R}^{n \times 3}$ 和点特征 $\boldsymbol{X} \in \mathbb{R}^{n \times d}$ 作为输入（$n$ 和 $d$ 分别表示点的数量和特征通道的数量）。PointRNN 的状态由点坐标 $\boldsymbol{P}$ 和点状态 $\boldsymbol{S} \in \mathbb{R}^{n \times d'}$ 组成（$d'$ 表示状态通道的数量）。类似地，PointRNN 的输出由 $\boldsymbol{P}$ 和新点特征 $\boldsymbol{Y} \in \mathbb{R}^{n \times d''}$ 组成（$d''$ 表示新特征通道的数量）。由于点云是无序的，两个时间步的点特征与状态无法直接运算。因此，采用基于点的时空局部相关性，根据点坐标聚合点特征与状态。我们进一步提出 PointRNN 的两个变体，即点门控循环单元（PointGRU）和点长短期记忆（PointLSTM）。我们将 PointRNN、PointGRU 和 PointLSTM 应用于运动点云预测，旨在给定点集的历史运动预测其未来轨迹。实验结果表明，PointRNN、PointGRU 和 PointLSTM 在合成与真实世界数据集上均能给出正确预测，展示了它们对点云序列建模的能力。代码已发布于 \url{https://github.com/hehefan/PointRNN}。