HeLiMOS: A Dataset for Moving Object Segmentation in 3D Point Clouds From Heterogeneous LiDAR Sensors

作者: Hyungtae Lim, Seoyeon Jang, Benedikt Mersch, Jens Behley, Hyun Myung, Cyrill Stachniss

分类: cs.CV, cs.RO

发布日期: 2024-08-12

备注: Proc. IEEE/RSJ Int. Conf. Intell. Robot. Syst. (IROS) 2024

💡 一句话要点

提出HeLiMOS数据集，用于评估异构LiDAR传感器在移动物体分割任务中的性能。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 移动物体分割 3D点云 激光雷达 异构传感器 数据集 自动标注 传感器无关

📋 核心要点

现有移动物体分割研究主要集中于机械旋转式LiDAR，缺乏针对固态LiDAR等异构传感器的有效方法。
论文提出HeLiMOS数据集，包含多种异构LiDAR数据，并设计自动标注方法，降低人工标注成本。
实验结果表明，现有MOS方法在HeLiMOS数据集上表现各异，为传感器无关的MOS研究提供了新方向。

📝 摘要（中文）

本文介绍了一个名为HeLiMOS的标注数据集，旨在促进使用异构3D激光雷达（LiDAR）传感器进行移动物体分割（MOS）的研究。当前MOS研究主要集中在使用机械旋转式全向LiDAR传感器获取的点云数据。HeLiMOS数据集包含来自四种异构LiDAR传感器（包括两种固态LiDAR传感器）的点云数据，这些传感器具有不规则的扫描模式。此外，本文还提出了一种新颖的自动标注方法，该方法利用实例感知的静态地图构建方法和基于跟踪的错误标签过滤，从而显著减少了人工标注工作量。最后，通过在HeLiMOS上对常用最先进MOS方法进行实验评估，结果表明了传感器无关的MOS方法的新方向，即无论用于捕获3D点云的LiDAR传感器类型如何，该方法通常都有效。该数据集可在https://sites.google.com/view/helimos 获取。

🔬 方法详解

问题定义：现有移动物体分割（MOS）研究主要依赖于机械旋转式全向LiDAR传感器，缺乏对固态LiDAR等异构传感器的支持。固态LiDAR具有不规则的扫描模式，使得传统MOS方法难以直接应用。因此，需要一个包含多种LiDAR传感器数据的MOS数据集，以及能够处理异构传感器数据的MOS方法。

核心思路：论文的核心思路是构建一个包含多种异构LiDAR传感器数据的标注数据集（HeLiMOS），并利用自动标注方法降低标注成本。通过在HeLiMOS上评估现有MOS方法，探索传感器无关的MOS方法，即能够适用于不同类型LiDAR传感器的MOS方法。

技术框架：HeLiMOS数据集的构建流程包括数据采集、自动标注和人工校正三个主要阶段。自动标注框架包含实例感知的静态地图构建和基于跟踪的错误标签过滤两个模块。实例感知的静态地图用于区分静态和动态物体，基于跟踪的错误标签过滤用于去除自动标注过程中产生的错误标签。

关键创新：论文的关键创新在于提出了一个包含多种异构LiDAR传感器数据的MOS数据集（HeLiMOS），并设计了一种自动标注方法，显著降低了人工标注成本。此外，论文还通过实验评估了现有MOS方法在HeLiMOS数据集上的性能，为传感器无关的MOS研究提供了新的方向。

关键设计：自动标注方法中，实例感知的静态地图构建采用了一种基于概率模型的静态物体检测方法。基于跟踪的错误标签过滤采用了一种基于卡尔曼滤波器的目标跟踪方法。数据集包含来自四种异构LiDAR传感器的数据，包括两种固态LiDAR传感器。数据集的标注格式采用了一种标准的3D bounding box标注格式。

🖼️ 关键图片

fig_0

fig_1

fig_2

📊 实验亮点

论文在HeLiMOS数据集上评估了多种最先进的MOS方法，结果表明这些方法在不同类型的LiDAR传感器上的性能差异显著。例如，某些方法在机械旋转式LiDAR数据上表现良好，但在固态LiDAR数据上性能下降。这些实验结果为传感器无关的MOS方法的研究提供了重要的参考。

🎯 应用场景

该研究成果可应用于自动驾驶、机器人导航、智能交通等领域。HeLiMOS数据集能够促进针对异构LiDAR传感器的移动物体分割算法的研究，提高自动驾驶系统在复杂环境下的感知能力。传感器无关的MOS方法能够降低系统对特定传感器的依赖，提高系统的鲁棒性和适应性。

📄 摘要（原文）

Moving object segmentation (MOS) using a 3D light detection and ranging (LiDAR) sensor is crucial for scene understanding and identification of moving objects. Despite the availability of various types of 3D LiDAR sensors in the market, MOS research still predominantly focuses on 3D point clouds from mechanically spinning omnidirectional LiDAR sensors. Thus, we are, for example, lacking a dataset with MOS labels for point clouds from solid-state LiDAR sensors which have irregular scanning patterns. In this paper, we present a labeled dataset, called \textit{HeLiMOS}, that enables to test MOS approaches on four heterogeneous LiDAR sensors, including two solid-state LiDAR sensors. Furthermore, we introduce a novel automatic labeling method to substantially reduce the labeling effort required from human annotators. To this end, our framework exploits an instance-aware static map building approach and tracking-based false label filtering. Finally, we provide experimental results regarding the performance of commonly used state-of-the-art MOS approaches on HeLiMOS that suggest a new direction for a sensor-agnostic MOS, which generally works regardless of the type of LiDAR sensors used to capture 3D point clouds. Our dataset is available at https://sites.google.com/view/helimos.