Возможность создавать согласованные карты окружающей среды и различать движущиеся и неподвижные части мира - ключевая возможность как для мобильных роботов, так и для автономных автомобилей. Им нужны согласованные карты для определения местоположения или планирования пути, и они должны воспринимать движение и учитывать свое движение во время навигации. Люди, велосипедисты, автомобили и другие динамические объекты, движущиеся в окружающей среде, создают проблемы для картографирования роботов и так называемых систем SLAM, направленных на построение трехмерной модели мира. Объекты, которые перемещаются в среде во время картирования, создают несогласованность карты и серьезно влияют на качество получаемой модели.

Динамическая среда - ключевая проблема при картировании роботов

Таким образом, обнаружение и сегментирование движущихся объектов в данных датчиков важно для построения согласованных карт, прогнозирования будущего состояния, предотвращения столкновений и планирования. В недавней работе Xieyuanli Chen и др. решила проблему обнаружения движущихся объектов с помощью трехмерного лазерного сканирования, обычно устанавливаемого на автономный автомобиль.

В документе рассматривается проблема сегментации движущихся объектов на основе 3D-сканирования LiDAR и предлагается новый подход к сегментации движущихся объектов только с помощью LiDAR для предоставления актуальной информации для автономных роботов и других транспортных средств на сцене в режиме реального времени. Вместо семантического сегментирования полного трехмерного облака точек, т. Е. Прогнозирования семантических классов, таких как транспортные средства, пешеходы, дороги, подход сегментирует сцену только на движущиеся и статические объекты. Таким образом, фактически движущиеся объекты будут отделены от статической сцены.

В этом подходе также проводится различие между движущимися автомобилями и припаркованными автомобилями.

Предлагаемый подход использует последовательные изображения диапазона от вращающегося 3D-датчика LiDAR в качестве промежуточного представления в сочетании со сверточной нейронной сетью или CNN. Это означает, что этот подход работает не с трехмерными облаками напрямую, а с представлением, подобным изображению.

Это имеет то преимущество, что можно использовать CNN с входом 2D - это более эффективно, чем аналогичный подход, работающий с трехмерными облаками точек. Чтобы иметь возможность обнаруживать движение, подход фактически рассматривает последовательность таких изображений диапазона. Таким образом, этот подход эффективен и работает с частотой около 20 Гц, а значит, быстрее, чем типичная частота кадров датчика.

Этот метод объединяет короткую последовательность изображений диапазона, вычисляет разностные изображения и использует сверточную нейронную сеть для преобразования этой информации в двоичную маску движущихся и неподвижных объектов.

Этот новый метод демонстрирует высокую производительность сегментации в городских условиях, например, на KITTI. Помимо углубленной оценки, документ также предоставляет новый эталон для сегментации движущихся объектов на основе LiDAR, построенный на основе SemanticKITTI. Кроме того, Xieyuanli Chen также предоставляет свой код, так что каждый может запустить и протестировать его на собственных данных. Вы можете использовать его для определения движущихся объектов на лету или во время постобработки для очистки ваших карт, добавляя в алгоритм SLAM замаскированные изображения диапазона LiDAR.

Для получения дополнительной информации см .:

X. Chen, S. Li, B. Mersch, L. Wiesmann, J. Gall, J. Behley и C. Stachniss: «Сегментация движущихся объектов в данных 3D LiDAR: подход на основе обучения с использованием последовательных данных», IEEE Robotics и письма по автоматизации (RA-L), 2021. DOI: 10.1109 / LRA.2021.3093567. Также работа будет представлена ​​на IROS 2021.

Статья: http://www.ipb.uni-bonn.de/pdfs/chen2021ral-iros.pdf
Исходный код: https://github.com/PRBonn/LiDAR-MOS женщина
Тест: «http://bit.ly/mos-benchmark
Трейлерный видеоролик: https://youtu.be/NHvsYhk4dhw