Key points are not available for this paper at this time.
يتم استخدام القيادة الذاتية في إعدادات متنوعة، بما في ذلك المناطق الداخلية مثل القاعات الصناعية والمستودعات. تعتبر LIDAR حاليًا شائعة جدًا في هذه البيئات بسبب دقتها العالية مقارنةً بـ RADAR ومتانتها في مواجهة ظروف الإضاءة المتغيرة مقارنةً بالكاميرات. ومع ذلك، هناك نقص ملحوظ في بيانات LIDAR المعلَّمة المتاحة مجانًا في هذه الإعدادات، حيث تركز معظم مجموعات البيانات العامة، مثل KITTI وWaymo، على سيناريوهات الطرق العامة. ونتيجة لذلك، فإن أطر التعليق المتخصصة المتاحة للجمهور نادرة أيضًا. تتناول هذه الدراسة هذه النواقص من خلال تطوير أداة تعليم تلقائي قائمة على الذكاء الاصطناعي لإنشاء مجموعة بيانات LIDAR مع تعليقات أرضية ثلاثية الأبعاد لسيناريوهات المستودعات الصناعية. يرفع خط الأنابيب الأساسي لإطار التعليق أولاً البيانات الواردة ذات الـ 16 قناة إلى بيانات كثيفة تضم 64 قناة. ثم يتم تعليم البيانات المرفوعة يدويًا للفئات المحددة وتستخدم مجموعة بيانات 64 قناة المعلَّمة لتخصيص شبكة Part-A2-Net التي تم تدريبها مسبقًا على مجموعة بيانات KITTI. تظهر هذه الشبكة المعاد ضبطها نتائج واعدة للفئات المحددة. للتغلب على بعض العيوب في خط الأنابيب هذا، والذي ينطوي بشكل أساسي على تأثيرات رفع البيانات والتسميات اليدوية، نوسع خط الأنابيب للاستفادة من SLAM لإنشاء سحابة نقطية كثيفة واستخدام المواضع الناتجة لتسريع عملية التعليم. وبالتالي، يُظهر التطور ثلاثة أجيال من الإطار الذي بدأ بالتعليم والرفع اليدوي. ثم تم توسيعه ليصبح نهجًا شبه تلقائي مع إنشاء تلقائي للخريطة الكثيفة باستخدام SLAM وانتقال تلقائي للتعليق إلى جميع المسح الضوئي لجميع الفئات الثابتة ثم الخط الكامل الأوتوماتيكي الذي يولد الحقيقة الأرضية باستخدام Part-A2-Net التي تم تدريبها باستخدام مجموعة البيانات الناتجة من خطوط الأنابيب اليدوية وشبه التلقائية. ستستمر مجموعة البيانات الناتجة لهذا البيئية المستودعية في التوسع بشكل مستمر وهي متاحة للجمهور على https://github.com/anavsgmbh/lidar-warehouse-dataset.
درس عبدالحليم وآخرون (الثلاثاء) هذا السؤال.