基于图像绘制的点云恢复,以提高无人驾驶地面车辆的战术分类

科学领域:

• 机器人技术和自主系统
• 计算机视觉 计算机视觉
• 传感器数据融合 传感器数据融合

背景情况:

• 无人驾驶地面车辆 (USVs) 需要强大的情境意识才能实现运营效率.
• 激光雷达传感器提供3D感知,但由于稀疏和遮蔽,数据不完整.
• 不完整的数据阻碍了水面船舶的准确分类和导航.

研究的目的:

• 开发和评估一个框架,用于恢复不完整的3D LiDAR点云,以加强水面船只分类.
• 在数据稀缺的海上场景中提高USV感知系统的可靠性.
• 为在有争议的环境中运行的USV实现高效准确的对象识别.

主要方法:

• 一个框架,结合2D区域投影的方向估计和描述器来解决方向模两可.
• 将3D点云转换为2D多通道图像,用于基于深度学习的inpainting.
• 在恢复的点云上应用高密度的关键点提取,用于特征生成和分类.

主要成果:

• 拟议的框架大大提高了使用恢复的LiDAR数据对水面船舶分类的准确性.
• 在长距离 (>70米) 和关键角度 (0°,180°) 观察到性能提高.
• 基于图像的方法证明了计算效率和更快的推断速度.

结论:

• 该框架有效地解决了由稀疏或不完整的LiDAR数据引起的感知失败.
• 这种方法支持USV在复杂和有争议的海上环境中的作战能力.
• 该方法为在资源有限的平台上部署高级感知提供了可行的解决方案.