SeFlow：基于自监督的自动驾驶场景流方法
计算机视觉与模式识别
2024-09-18 v2 机器人学
摘要
场景流估计预测连续 LiDAR 扫描中每个点的 3D 运动。这种详细的点级信息可帮助自动驾驶车辆准确预测和理解其周围环境的动态变化。当前的 state-of-the-art 方法需要带注释数据来训练场景流网络，标注的费用本质上限制了其可扩展性。自监督方法可以克服上述限制，但面临两个主要挑战以限制最佳性能：点分布不平衡 and object-level motion constraints 的忽视。本文提出了 SeFlow，一种将高效动态分类集成到基于学习的场景流管道中的自监督方法。我们演示了对静态和动态点的分类有助于为不同运动模式设计针对性的目标函数。我们还强调内部聚类一致性和正确 object 点关联对细化场景流估计的重要性，特别是在 object 细节方面。我们的实时方法在 Argoverse 2 和 Waymo 数据集上实现了自监督场景流任务的 state-of-the-art 性能。代码已开源于 https://github.com/KTH-RPL/SeFlow along with trained model weights。
引用
@article{arxiv.2407.01702,
title = {SeFlow: A Self-Supervised Scene Flow Method in Autonomous Driving},
author = {Qingwen Zhang and Yi Yang and Peizheng Li and Olov Andersson and Patric Jensfelt},
journal= {arXiv preprint arXiv:2407.01702},
year = {2024}
}
备注
25 pages (14 main pages + 11 supp materail), 5 figures, ECCV 2024