CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F18%3APU132245" target="_blank" >RIV/00216305:26230/18:PU132245 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8374167" target="_blank" >https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8374167</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICARSC.2018.8374167" target="_blank" >10.1109/ICARSC.2018.8374167</a>

Jazyk výsledku

angličtina

Název v původním jazyce

CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data

Popis výsledku v původním jazyce

This paper presents a novel method for ground segmentation in Velodyne point clouds. We propose an encoding of sparse 3D data from the Velodyne sensor suitable for training a convolutional neural network (CNN). This general purpose approach is used for segmentation of the sparse point cloud into ground and non-ground points. The LiDAR data are represented as a multi-channel 2D signal where the horizontal axis corresponds to the rotation angle and the vertical axis represents channels - laser beams. Multiple topologies of relatively shallow CNNs (i.e. 3-5 convolutional layers) are trained and evaluated, using a manually annotated dataset we prepared. The results show significant improvement of performance over the state-of-the-art method by Zhang et al. in terms of speed and also minor improvements in terms of accuracy.

Název v anglickém jazyce

CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data

Popis výsledku anglicky

This paper presents a novel method for ground segmentation in Velodyne point clouds. We propose an encoding of sparse 3D data from the Velodyne sensor suitable for training a convolutional neural network (CNN). This general purpose approach is used for segmentation of the sparse point cloud into ground and non-ground points. The LiDAR data are represented as a multi-channel 2D signal where the horizontal axis corresponds to the rotation angle and the vertical axis represents channels - laser beams. Multiple topologies of relatively shallow CNNs (i.e. 3-5 convolutional layers) are trained and evaluated, using a manually annotated dataset we prepared. The results show significant improvement of performance over the state-of-the-art method by Zhang et al. in terms of speed and also minor improvements in terms of accuracy.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20204 - Robotics and automatic control

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

IEEE International Conference on Autonomous Robot Systems and Competitions

ISBN

978-1-5386-5221-3

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

97-103

Název nakladatele

Institute of Electrical and Electronics Engineers

Místo vydání

Torres Vedras

Místo konání akce

Torres Vedras

Datum konání akce

25. 4. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000435384800018