用于机器人轮椅的基于RGB-D数据的自监督可行驶区域与道路异常分割
计算机视觉与模式识别
2021-04-21 v1 机器人学
摘要
可行驶区域和道路异常的分割是实现机器人轮椅自主导航的关键能力。近期利用深度学习技术的语义分割进展已展现出有效的结果。然而，获取带有手工标注真值的大规模数据集既耗时又费力，使得基于深度学习的方法在实际应用中往往难以实施。我们通过提出一种自监督学习方法，为可行驶区域和道路异常分割任务贡献了该问题的解决方案。我们开发了一个能够自动生成可行驶区域和道路异常分割标签的流程。然后，我们训练基于RGB-D数据的语义分割神经网络并获取预测标签。实验结果表明，与人工标注相比，我们提出的自动标注流程实现了显著的加速。此外，我们提出的自监督方法比现有最优的传统算法以及现有最优的自监督算法表现出更稳健且更准确的结果。
引用
@article{arxiv.2007.05950,
title = {Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs},
author = {Hengli Wang and Yuxiang Sun and Ming Liu},
journal= {arXiv preprint arXiv:2007.05950},
year = {2021}
}
备注
Published in IEEE Robotics and Automation Letters (RA-L); 8 pages, 8 figures and 3 tables