摘要
场景流描述了自动驾驶车辆在相邻时间步长内捕获的两幅激光雷达扫描之间的三维运动。现有的方法通常将场景流视为点级别的无约束流动向量，这些向量可以通过大规模预训练或在推理时进行耗时的优化来学习。然而，这些方法没有考虑到自动驾驶中的物体通常以刚体方式移动。我们将这一刚体运动假设融入设计中，目标是在不同扫描之间关联物体，然后估计局部刚体变换。我们提出了ICP-Flow，一种无需学习的流估计器。我们的设计核心是传统的迭代最近点（Iterative Closest Point, ICP）算法，该算法可以随时间对齐物体并输出相应的刚体变换。为了辅助ICP算法，我们提出了一种基于直方图的初始化方法，该方法能够发现最可能的平移方向，从而为ICP提供一个良好的起始点。最终，从这些刚体变换中恢复完整的场景流。我们在Waymo数据集上超越了最先进的基线模型（包括监督模型），并在Argoverse-v2和nuScenes数据集上表现出竞争力。此外，我们使用来自我们模型的伪标签监督训练了一个前馈神经网络，并在所有能够实时推理的模型中实现了最佳性能。我们验证了我们的模型在较长的时间间隔内进行场景流估计的优势，最长可达0.4秒，在此期间其他模型无法提供有意义的结果。