SeFlow: 自動運転における自己教師ありシーンフロー手法

シーンフロー推定は、連続するLiDARスキャンの各点における3次元運動を予測します。この詳細なポイントレベルの情報は、自動車が周囲の動的な変化を正確に予測し理解するのに役立ちます。現在の最先端手法では、シーンフローネットワークを学習するためにアノテーションデータが必要であり、ラベリングのコストがその拡張性を制限しています。自己監督型アプローチは上記の制限を克服できますが、最適な性能を妨げる2つの主要な課題に直面しています：ポイント分布の不均衡とオブジェクトレベルの運動制約の無視です。本論文では、効率的な動的分類を学習ベースのシーンフローパイプラインに統合した自己監督型手法であるSeFlow（Scene Flow）を提案します。静的および動的ポイントを分類することで、異なる運動パターンに対する対象別の目的関数を設計できることが示されています。また、クラスタ内部の一貫性と正しいオブジェクトポイント関連付けが特にオブジェクト詳細においてシーンフロー推定を改善することの重要性も強調しています。当方法はリアルタイムで実行可能であり、Argoverse 2およびWaymoデータセットでの自己監督型シーンフロータスクにおいて最先端の性能を達成しています。コードはhttps://github.com/KTH-RPL/SeFlow でオープンソース化され、学習済みモデルの重みも提供されています。