基于学习时空线索的混杂室内场景鲁棒动态目标检测
机器人学
2026-03-18 v1
摘要
可靠的混杂环境中的动态目标检测仍是自动导航的关键挑战。仅依赖于聚类和启发式滤波的纯几何 LiDAR 流程在目标靠近静止结构或仅被部分观察时会遗漏动态障碍物。以视觉为补充的methods 常受限于封闭集检测器和摄像机视场约束，降低对新型障碍物和超出视野事件的鲁棒性。本文提出了仅使用 LiDAR 的框架，将基于时间占用网格的运动分割与学习的鸟瞰视角 (BEV) 动态先验相融合。融合模块在可用时优先考虑 3D 检测结果，并利用学习的动态网格恢复因靠近导致的误报消失的检测。在使用运动捕获 ground truth 进行实验后，我们的方法在大幅混杂环境中实现了比当前最先进技术高出 28.67% 的召回率和 18.50% 更高的 F1 分数，同时保持可比的精度和位置误差。
引用
@article{arxiv.2603.15826,
title = {Robust Dynamic Object Detection in Cluttered Indoor Scenes via Learned Spatiotemporal Cues},
author = {Juan Rached and Yixuan Jia and Kota Kondo and Jonathan P. How},
journal= {arXiv preprint arXiv:2603.15826},
year = {2026}
}