Sequentielle Punktwolken: Eine Umfrage

Punktwolken haben zunehmende Forschung Aufmerksamkeit erregt und zahlreiche praktische Anwendungen gefunden. Viele dieser Anwendungen, wie autonomes Fahren und robotergestützte Manipulation, basieren jedoch auf sequentiellen Punktwolken, die im Wesentlichen eine zeitliche Dimension zu den Daten hinzufügen (d. h. vier Dimensionen), da die Informationen, die die statischen Punktwolken-Daten bereitstellen könnten, weiterhin begrenzt sind. Jüngste Forschungsanstrengungen wurden darauf gerichtet, das Verständnis und die Nutzung sequentieller Punktwolken zu verbessern. Dieses Papier bietet eine umfassende Übersicht über Methoden des tiefen Lernens, die auf die Forschung zu sequentiellen Punktwolken angewendet wurden, einschließlich dynamischer Flussabschätzung, Objekterkennung und -verfolgung, Punktwolken-Segmentierung und Punktwolken-Prognose. Darüber hinaus fasst das Papier die quantitativen Ergebnisse der überprüften Methoden über die öffentlichen Benchmark-Datensätze zusammen und vergleicht sie. Schließlich schließt das Papier, indem es die Herausforderungen in der aktuellen Forschung zu sequentiellen Punktwolken anspricht und auf vielversprechende Ansätze für zukünftige Forschungen hinweist.