论文信息
题目:
Dynamic Object Aware LiDAR SLAM based on Automatic Generation of Training Data
基于自动生成训练数据的动态物体感知LiDAR SLAM
论文地址:
https://arxiv.org/pdf/2104.03657.pdf
发表期刊:
2021 IEEE International Conference on Robotics and Automation (ICRA)
标签
激光SLAM、动态目标检测、深度学习
摘要
高动态环境中的移动物体,如汽车或人类,会对假设为静态场景的LiDAR SLAM系统构成性能挑战。为了克服这一挑战并支持机器人在现实世界场景中的部署,我们提出了一个动态物体感知LiDAR SLAM算法的完整解决方案。 为了有效地产生必要的训练数据,这是我们的方法的关键,我们提出了一个新颖的基于占用网格的端到端管道,可以自动标记各种任意的动态物体。 因此,我们的解决方案可以通用于不同的环境,而不需要昂贵的人工标注,同时避免假设场景中存在一组预定义的已知物体。使用这种技术,我们自动标注了12000多张在有大量行人的城市环境中收集的LiDAR扫描数据,并使用这些数据来训练一个神经网络,实现了0:82的平均分割
内容简介
我们提出了一个完整的解决方案,以创建一个动态物体感知的LiDAR SLAM系统,基于一个深度神经网络,执行在线动态物体检测。"为了解决生成训练数据的问题,我们提出了一个新颖的基于占用网格的方法,包括一个两阶段的聚类和验证步骤,以自动标记LiDAR点云中的任意动态物体。"在高度动态城市环境的实际实验中,我们显示了对测距和三维重建质量的明显改善。
我们提出了一个完整的解决方案,用于创建一个动态物体感知的LiDAR SLAM管道,这是基于深度学习的动态物体过滤步骤。为此,我们提出了一个新颖的基于占用网格的方法来自动标记点云中的任意动态物体,以有效地创建任何动态环境的训练数据。我们利用我们的方法,在12000多个现实世界LiDAR点云中四个不同的、高度动态的城市地点自动注释了大量的行人和其他动态物体。 然后,该数据集被用来训练一个3D-MiniNet神经网络,以实时分割出动态物体,并通过在匹配和绘图过程之前从点云中移除这些物体来提高LOAM的性能。 尽管我们使用3D MiniNet和LOAM以及含有大量行人的数据集来展示我们的拟议管道,但我们提出的方法是通用的,同样适用于各种动态物体、分割方法和LiDAR SLAM算法。
评价
使用这种技术,我们自动标记了在有大量行人的城市环境中收集的12000多个LiDAR扫描数据,并使用这些数据来训练一个神经网络,实现了0:82的平均分割IoU。我们表明,明确处理动态物体可以将LiDAR SLAM的测距性能提高39:6%,同时产生更好地代表环境的地图。