基于空间与时间一致性正则化的自监督类无关运动预测

在动态环境中对运动行为的感知对自动驾驶系统具有重要意义，其中类无关运动预测方法直接预测整个点云的运动。虽然现有大多数方法依赖于全监督学习，但点云数据的人工标注既费力又耗时。因此，已提出几种标注高效的方法来应对这一挑战。尽管这些方法有效，但它们依赖于弱标注或图像等额外的多模态数据，且点云序列中固有的潜在益处仍未得到充分探索。为此，我们探索了仅使用无标签 LiDAR 点云进行自监督运动预测的可行性。最初，我们采用最优传输求解器在当前和未来点云之间建立粗略对应关系，作为粗略的伪运动标签。直接使用此类粗略标签训练模型会导致明显的空间和时间预测不一致。为了缓解这些问题，我们引入了三个简单的空间和时间正则化损失，有效地促进了自监督训练过程。实验结果证明了我们的方法相对于最先进的自监督方法的显著优越性。