自律運転のための確率的不確実性モデリングに基づくLIDARのセマンティックポイントクラウドマッピング

LIDARベースの同時ローカリゼーションとマッピング（SLAM）は、マップビルディングによる自律車両の環境情報を提供し、自律運転の大きな課題です。さらに、セマンティック情報は、深いニューラルネットワークベースのセマンティックセグメンテーションアルゴリズムの出現により、LIDARベースのスラムに使用されています。セマンティックセグメント化されたポイントクラウドは、ジオメトリだけよりも自動運転車の機能の範囲をはるかに幅広く提供します。これは、マッピングステップで重要な役割を果たす可能性があります。ただし、セマンティックセグメンテーションアルゴリズムの不確実性により、セマンティックセグメント化されたポイントクラウドには、スラムに直接使用されることには制限があります。制限を解決するために、このペーパーでは、セマンティックセグメンテーションアルゴリズムの不確実性を考慮して、セマンティックセグメンテーションベースのLidar Slamシステムを提案します。不確実性は、データ駆動型アプローチから生じる提案された確率モデルによって明示的にモデル化されます。確率モデルに基づいて、このペーパーでは、提案された確率モデルを使用してセマンティック情報を使用して、連続したポイントクラウドの変換関係を計算するセマンティック登録を提案します。さらに、提案された確率モデルは、不確実性のために複数のスキャンが異なるクラスを示している場合、ポイントのセマンティッククラスを決定するために使用されます。提案されたフレームワークは、Kittiデータセットと屋外環境によって検証および評価されます。実験結果は、提案されたセマンティックマッピングフレームワークがマッピングポーズのエラーを減らし、生成されたセマンティックマップのセマンティック情報の曖昧さを排除することを示しています。

LiDAR-based Simultaneous Localization And Mapping (SLAM), which provides environmental information for autonomous vehicles by map building, is a major challenge for autonomous driving. In addition, the semantic information has been used for the LiDAR-based SLAM with the advent of deep neural network-based semantic segmentation algorithms. The semantic segmented point clouds provide a much greater range of functionality for autonomous vehicles than geometry alone, which can play an important role in the mapping step. However, due to the uncertainty of the semantic segmentation algorithms, the semantic segmented point clouds have limitations in being directly used for SLAM. In order to solve the limitations, this paper proposes a semantic segmentation-based LiDAR SLAM system considering the uncertainty of the semantic segmentation algorithms. The uncertainty is explicitly modeled by proposed probability models which are come from the data-driven approaches. Based on the probability models, this paper proposes semantic registration which calculates the transformation relationship of consecutive point clouds using semantic information with proposed probability models. Furthermore, the proposed probability models are used to determine the semantic class of the points when the multiple scans indicate different classes due to the uncertainty. The proposed framework is verified and evaluated by the KITTI dataset and outdoor environments. The experiment results show that the proposed semantic mapping framework reduces the errors of the mapping poses and eliminates the ambiguity of the semantic information of the generated semantic map.