面向自动驾驶的低分辨率激光雷达点云道路分割
计算机视觉与模式识别
2020-05-28 v1 机器学习
摘要
用于自动驾驶感知任务的點云数据集通常依赖于高分辨率 64 层 Light Detection and Ranging (LIDAR) 扫描仪。它们在真实世界自动驾驶传感器架构上部署成本高昂，而后者通常采用 16/32 层 LIDAR。我们评估了通过对稠密点云基于图像的表示进行下采样对道路分割任务精度的影响。在我们的实验中，低分辨率 16/32 层 LIDAR 点云通过对原始 64 层数据下采样来模拟，随后转换为点云的鸟瞰图（BEV）与球面视图（SV）表示中的特征图。我们引入将局部法向量与 LIDAR 的球坐标作为现有 LoDNN 架构的输入通道。我们证明，该局部法向特征结合经典特征不仅提升了全分辨率点云上二值道路分割的性能，而且与单独使用经典特征相比，还减小了下采样稠密点云时对精度的负面影响。我们在两个数据集上通过若干实验评估了我们的方法：KITTI 道路分割基准与近期发布的 Semantic KITTI 数据集。
引用
@article{arxiv.2005.13102,
title = {Road Segmentation on low resolution Lidar point clouds for autonomous vehicles},
author = {Leonardo Gigli and B Ravi Kiran and Thomas Paul and Andres Serna and Nagarjuna Vemuri and Beatriz Marcotegui and Santiago Velasco-Forero},
journal= {arXiv preprint arXiv:2005.13102},
year = {2020}
}
备注
ISPRS 2020