在LiDAR泛光细分领域利用时间信息的好处
IEEE transactions on pattern analysis and machine intelligence
|October 14, 2025
概括
本研究介绍了一种用于LiDAR全光学细分 (LPS) 的时间意识方法,使用新的注意力和特征编码模块. 拟议的方法通过有效利用自动驾驶应用程序的多数据来显著提高LPS性能.
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:
- 激光雷达感知对于自动驾驶至关重要,激光雷达全视分段 (LPS) 提供了全面的场景理解.
- 现有的LPS方法缺乏时间信息的整合,限制了性能改进.
- 多处理在其他LiDAR感知任务中也显示出好处.
研究的目的:
- 为 LiDAR 全光细分 (LPS) 提出一种有效的时间感知方法,以增强自动驾驶的感知.
- 引入新的模块来融合多LiDAR数据并利用时间上下文.
- 展示将时间信息纳入LPS的优点.
主要方法:
- 开发了一种对LiDAR点云的时间感知全视分段方法.
- 引入了基于卷积的跨融合注意 (CFFA) 模块,用于多功能融合.
- 引入了相邻转移特征编码器 (ASFE) 模块,以利用中间预测.
主要成果:
- 提出的方法在受欢迎的基准标准上取得了最先进的表现,包括SemanticKITTI (63.36%) 和Panoptic nuScenes (78.54%).
- 无论是CFFA和ASFE模块都被验证为提高LPS的有效性.
- 广泛的实验证实了LPS多处理的好处.
结论:
- 拟议的时间感知LPS方法显著优于以前的方法.
- 多处理是改善LiDAR全光学细分的优势.
- 引入的模块有效地利用时间信息来增强自动驾驶中的场景理解.
