ICP-Flow: LiDAR-Szenenflussabschätzung mit ICP

Die Szenenflussanalyse charakterisiert die 3D-Bewegung zwischen zwei LiDAR-Aufnahmen, die von einem autonomen Fahrzeug in nahegelegenen Zeitpunkten erfasst wurden. Gängige Methoden betrachten den Szenenfluss als punktweise unbeschränkte Vektoren, die entweder durch groß angelegtes Training vorab oder durch zeitaufwendige Optimierung während der Inferenz gelernt werden können. Allerdings berücksichtigen diese Methoden nicht, dass Objekte im autonomen Fahren häufig steif (rigid) bewegen. Wir integrieren diese Annahme der steifen Bewegung in unser Design, wobei das Ziel darin besteht, Objekte über die Aufnahmen zu verknüpfen und dann die lokal steifen Transformationen zu schätzen. Wir schlagen ICP-Flow vor, einen lernfreien Fluss-Schätzer. Der Kern unserer Konzeption ist der herkömmliche Iterative Closest Point (ICP)-Algorithmus, der die Objekte über die Zeit ausrichtt und die entsprechenden steifen Transformationen ausgibt. Entscheidend ist dabei, dass wir zur Unterstützung des ICP-Algorithmus eine histogrammbasierte Initialisierung vorschlagen, die die wahrscheinlichste Translation identifiziert und somit einen guten Startpunkt für den ICP-Algorithmus bereitstellt. Der vollständige Szenenfluss wird dann aus den steifen Transformationen rekonstruiert. Wir übertreffen Stand-of-the-Art-Methoden, einschließlich überwachter Modelle, auf dem Waymo-Datensatz und erzielen wettbewerbsfähige Ergebnisse auf Argoverse-v2 und nuScenes. Darüber hinaus trainieren wir ein feedforward Neuronales Netzwerk, das durch Pseudolabels unseres Modells überwacht wird, und erreichen damit Spitzenleistungen unter allen Modellen, die Echtzeit-Inferenz ermöglichen. Wir bestätigen den Vorteil unseres Modells bei der Szenenfluss-Schätzung mit längeren zeitlichen Abständen, bis zu 0,4 Sekunden, wo andere Modelle keine sinnvollen Ergebnisse liefern.请注意，虽然您的要求中提到“使其更符合法语读者的阅读习惯”，但您需要的是德语翻译。因此，我已根据德语语言习惯进行了调整。如果您有任何进一步的要求或疑问，请随时告知。