SeFlow: 자율 주행에서 자기 지도 장면 흐름 방법

シーン 플로우 추정은 연속적인 LiDAR 스캔에서 각 점의 3D 운동을 예측합니다. 이 세부적이고 점 단위의 정보는 자율 주행 차량이 주변 환경의 동적인 변화를 정확하게 예측하고 이해하는 데 도움이 됩니다. 현재 최신 방법들은 시나리오 플로우 네트워크를 학습하기 위해 주석화된 데이터가 필요하며, 라벨링의 비용은 본질적으로 이러한 방법들의 확장성을 제한합니다. 자기 감독 방식은 위와 같은 한계를 극복할 수 있지만, 최적의 성능을 방해하는 두 가지 주요 과제에 직면해 있습니다: 점 분포 불균형과 객체 수준의 운동 제약 조건 무시입니다. 본 논문에서는 효율적인 동적 분류를 학습 기반 시나리오 플로우 파이프라인에 통합한 자기 감독 방법인 SeFlow를 제안합니다. 우리는 정적 및 동적 점을 분류함으로써 다양한 운동 패턴에 대한 대상 목적 함수를 설계하는 데 도움이 된다는 것을 보여줍니다. 또한 내부 클러스터 일관성과 올바른 객체 점 연결의 중요성을 강조하여, 특히 객체 세부 사항에서 시나리오 플로우 추정을 개선합니다. 우리의 실시간 처리 가능한 방법은 Argoverse 2와 Waymo 데이터셋에서 자기 감독 시나리오 플로우 작업에서 최고 수준의 성능을 달성하였습니다. 코드는 https://github.com/KTH-RPL/SeFlow 에서 오픈 소스로 제공되며, 학습된 모델 가중치도 함께 공개됩니다.注：在韩文中，“场景流”通常翻译为“シーン 플ロウ”，但为了保持一致性，这里统一翻译为“시나리오 플로우”。如果需要使用“シーン 플ロウ”，请告知我进行修改。