Predicción de movimiento agnóstico débil y auto-supervisado para la conducción autónoma

Área de la Ciencia:

• Visión por computadora
• La robótica
• Aprendizaje automático

Sus antecedentes:

• La conducción autónoma requiere una predicción precisa del movimiento en entornos dinámicos.
• La predicción de movimiento agnóstico de las nubes de puntos LiDAR es un área de investigación clave.
• Los métodos actuales a menudo se basan en anotaciones de movimiento extensas.

Objetivo del estudio:

• Para investigar la predicción de movimiento agnóstico de clase débil y auto-supervisado utilizando LiDAR.
• Para reducir la dependencia de las anotaciones de movimiento detalladas mediante el aprovechamiento de la estructura de la escena.
• Desarrollar métodos sólidos que equilibren el esfuerzo de anotación y el rendimiento de la predicción.

Principales métodos:

• Propuso un paradigma débilmente supervisado utilizando máscaras de primer plano / fondo para la predicción de movimiento.
• Se utilizaron máscaras no molidas/molidas como una alternativa menos intensiva en anotaciones.
• Desarrolló un método auto-supervisado que no requiere anotaciones.
• Se introdujo una pérdida de distancia de Chamfer robusta consciente de la consistencia para la supresión de valores atípicos.

Principales resultados:

• Los modelos débiles y auto-supervisados superaron a los métodos auto-supervisados existentes.
• Los modelos bajo supervisión alcanzaron un rendimiento comparable al de algunos métodos supervisados.
• Se ha demostrado un equilibrio efectivo entre el esfuerzo de anotación y el rendimiento predictivo.

Conclusiones:

• El aprovechamiento de las señales de análisis de escenas (anterior / fondo, no-suelo / suelo) permite una predicción de movimiento efectiva y auto-supervisada.
• Los requisitos de anotación reducidos mejoran significativamente la practicidad de los modelos de predicción de movimiento.
• Los métodos propuestos ofrecen una dirección prometedora para una percepción eficiente de la conducción autónoma.