TerraSeg：面向任意LiDAR的自监督地面分割
计算机视觉与模式识别
2026-03-31 v1
摘要
LiDAR感知是机器人学的基础，使机器能够以3D理解其环境。对于基于LiDAR的场景理解和导航，一个关键任务是地面分割。然而，现有方法要么为特定传感器配置手工设计，要么依赖昂贵的逐点人工标注，严重限制了其泛化能力和可扩展性。为了克服这一限制，我们引入TerraSeg，第一个用于LiDAR地面分割的自监督、领域无关模型。我们在OmniLiDAR上训练TerraSeg，这是一个统一的大规模数据集，汇总并标准化了12个主要公共基准的数据。涵盖15种不同传感器模型的近2200万次原始扫描，OmniLiDAR为学习一个高度可泛化的地面模型提供了前所未有的多样性。为了在无需人工标注的情况下监督训练，我们提出PseudoLabeler，一个通过自监督逐扫描运行时优化生成高质量地面和非地面标签的新模块。广泛的评估表明，尽管没有使用任何人工标注，TerraSeg在nuScenes、SemanticKITTI和Waymo Perception上取得了最先进的结果，同时实现了实时性能。我们的代码和模型权重公开发布。
引用
@article{arxiv.2603.27344,
title = {TerraSeg: Self-Supervised Ground Segmentation for Any LiDAR},
author = {Ted Lentsch and Santiago Montiel-Marín and Holger Caesar and Dariu M. Gavrila},
journal= {arXiv preprint arXiv:2603.27344},
year = {2026}
}
备注
CVPR 2026