Tiefe 3D-Objekterkennungsnetzwerke mit LiDAR-Daten: Ein Überblick

Als Grundlage intelligenter Systeme nimmt die maschinelle Sicht die Umgebung wahr und bietet eine Basis für Entscheidungsfindung. Die Objekterkennung ist die Kernaufgabe der maschinellen Sicht. Die 3D-Objekterkennung kann Informationen über die räumliche Größe und den Standort von Objekten bereitstellen. Im Vergleich zur 2D-Objekterkennung, die weitgehend in Bildkoordinaten untersucht wurde, kann sie mehr Anwendungen von Erkennungssystemen bieten. Genauige LiDAR-Daten haben eine stärkere räumliche Erfassungsfähigkeit und sind unempfindlich gegenüber natürlichem Licht, was LiDAR zu einem potenziellen Sensor für die 3D-Erkennung macht. Kürzlich wurde ein tiefes neuronales Netzwerk entwickelt, um leistungsstarke Objektmerkmale aus Sensordaten zu lernen. Allerdings stellt die Sparsamkeit der LiDAR-Punktwolkendaten eine Herausforderung für die Netzwerkverarbeitung dar. Es wurden zahlreiche Anstrengungen unternommen, um diese Schwierigkeit zu bewältigen, aber eine umfassende Literaturübersicht fehlt noch. Ziel dieses Artikels ist es, die Herausforderungen und Methoden der 3D-Objekterkennungsnetzwerke mit LiDAR-Daten zu überprüfen. In diesem Zusammenhang geben wir zunächst eine Übersicht über die 3D-Erkennungsaufgabe und LiDAR-Sensing-Techniken. Dann entfalten wir den Überblick über tiefe 3D-Erkennungsnetzwerke mit drei Arten von LiDAR-Punktwolkenrepräsentationen und ihren Herausforderungen. Anschließend fassen wir Bewertungsmetriken und die Leistung von Algorithmen auf drei autoritativen 3D-Erkennungsbenchmarks zusammen. Schließlich bieten wir wertvolle Einblicke in Herausforderungen und offene Fragen.