#每天一篇论文 261/365 PointFlowNet: Learning Representations for Rigid Motion Estimation from Point Clouds

PointFlowNet:从点云中学习刚体运动表示

Aseem Behl Despoina Paschalidou Simon Donne Andreas Geiger ´
Autonomous Vision Group, MPI for Intelligent Systems and University of Tubingen

摘要

尽管在基于图像的三维场景流估计方面取得了显著的进展，但是这些方法的性能还没有达到许多应用所要求的逼真度。同时，这些应用通常不局限于基于图像的估计：激光扫描仪提供了传统相机的流行替代品，例如在自动驾驶汽车的背景下，因为它们直接产生三维点云。在本文中，我们建议使用深度神经网络来估计非结构点云的三维运动。在一次前向估计过程中，我们的模型联合预测三维场景流以及场景中物体的三维包围盒和刚体运动。从非结构化点云中估计三维场景流的前景不错，但也是一项具有挑战性的任务。我们证明了传统的刚体运动的全局表示CNNs的推理，并提出了一种平移等效变表示来解决这一问题。为了训练我们的深层网络，需要一个大的数据集。 因此，我们使用虚拟对象来增强KITTI的真实扫描，真实地建模遮挡和模拟传感器噪声。通过与经典技术和基于学习的技术的深入比较，突出了该方法的鲁棒性。

贡献

为了解决这些挑战，我们提出了点流网，一种从成对的非结构化三维点云中学习三维场景流的通用模型。我们的主要贡献是：
•我们提出了一个端到端的可训练模型，用于联合3D场景流和刚性运动预测，以及从非结构化激光雷达数据中检测3D物体，这些数据是从（自驾）汽车上获取的。
•我们证明了全局表示不适用于刚性运动预测，并提出了局部平移等效表示来缓解这一问题。
•我们使用虚拟汽车来扩充KITTI数据集，同时考虑遮挡和模拟传感器噪声，以提供更多（真实的）训练数据。
•我们证明，我们的方法与最先进的方法相比是有利的。

方法

本文提出的方法是输入点云数据，经过Feature encoder提取点云特征，然后经过Context Encoder 之后1.估计估计车辆的运动，Ego-motion 2.通过点云估计特征的光流，对rigid，motion进行估计，3通过object location估计object3D盒子边界，4.结合 object motion decoder 估计出最后的物体非结构运动。

结果