ORFD: Ein Datensatz und Benchmark für die Erkennung von Freiflächen im Gelände

Die Freiflächen-Detektion ist eine zentrale Komponente der Technologie autonomer Fahrt und spielt eine entscheidende Rolle bei der Trajektorienplanung. In den letzten zehn Jahren wurden tiefenlernbasierte Ansätze zur Freiflächen-Detektion als praktikabel erwiesen. Diese Ansätze konzentrierten sich jedoch hauptsächlich auf städtische Straßenumgebungen, während nur wenige tiefenlernbasierte Methoden speziell für die Detektion freier Flächen außerhalb von Straßen entwickelt wurden, bedingt durch das Fehlen geeigneter Benchmarks für außergewöhnliche Umgebungen. In diesem Artikel stellen wir den ORFD-Datensatz vor, der, soweit uns bekannt ist, der erste Datensatz zur Freiflächen-Detektion außerhalb von Straßen ist. Der Datensatz wurde in verschiedenen Szenarien (Wald, Ackerland, Grasland und ländliche Gebiete), unterschiedlichen Wetterbedingungen (sonnig, regnerisch, neblig und schneereich) sowie unterschiedlichen Lichtverhältnissen (helles Licht, Tageslicht, Dämmerung, Dunkelheit) erfasst und umfasst insgesamt 12.198 Paare aus LiDAR-Punktwolken und RGB-Bildern, wobei jeweils die befahrbaren, nicht befahrbaren und unerreichbaren Bereiche detailliert annotiert sind. Wir schlagen ein neuartiges Netzwerk namens OFF-Net vor, das die Transformer-Architektur nutzt, um lokale und globale Informationen zu integrieren und so die Anforderung großer Empfindlichkeitsfelder für Aufgaben der Freiflächen-Detektion zu erfüllen. Zudem führen wir eine Cross-Attention-Mechanismen ein, um die Informationen aus LiDAR und RGB-Bild dynamisch zu fusionieren, um eine präzise Detektion freier Flächen außerhalb von Straßen zu ermöglichen. Der Datensatz und der zugehörige Code sind öffentlich über https://github.com/chaytonmin/OFF-Net verfügbar.