在LiDAR点云中追踪小物体:学习目标意识原型和细粒度搜索区域

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能

背景情况:

• 激光雷达点云对于人工智能系统,如自动驾驶和机器人技术至关重要.
• 在LiDAR数据中追踪小物体是具有挑战性的,原因是稀疏点和对干扰的敏感性.
• 现有的方法往往忽略了小物体跟踪的特殊困难.

研究的目的:

• 开发一个强大的深度神经网络框架,用于在LiDAR点云中准确跟踪小物体.
• 为了应对稀疏前景点和特征地图干扰在小物体检测中的挑战.
• 为了提高基于LiDAR的物体跟踪系统的性能和稳定性.

主要方法:

• 一个语网络被用于特征提取.
• 目标意识原型挖掘 (TAPM) 模块使用掩盖的自动编码器重建来增强前景点的突出性.
• 区域电网分区 (RGS) 模块利用视觉转换器和像素混合来改善特征细节和干扰耐受性.

主要成果:

• 拟议的方法在原始设置下达到64.9%的平均成功率,在缩放设置下达到60.4%.
• 业绩分别超过了现有基准的3.6%和5.4%.
• 缩放实验证明了跟踪器在处理小物体时的强度.

结论:

• 新的深度神经网络框架有效地改善了在LiDAR点云中的小物体跟踪.
• TAPM和RGS模块有助于增强目标突出性和干扰耐受性.
• 该方法显示了在自主系统中推进感知能力的巨大潜力.