UFO: Uncertainty-aware LiDAR-image Fusion for Off-road Semantic Terrain Map Estimation

本文介绍了一种基于学习的融合方法，用于生成鸟瞰图中的稠密地形分类地图，以实现自主越野导航所需的准确语义环境理解。虽然基于学习的方法已经成功地直接从传感器数据中生成了局部的语义地形图，但它们在准确表示不确定地形特征方面在越野环境中的效力受到了阻碍。本文提出的方法通过在多个尺度上执行LiDAR-图像融合，增强了从RGB图像和单次扫描LiDAR生成的语义地图的准确性。利用不确定性感知的伪标签进一步增强了网络在越野环境中可靠学习的能力，无需精确的三维注释。通过使用越野驾驶数据集进行彻底的实验，我们证明了我们的方法可以提高越野地形的准确性，验证了它在促进可靠和安全的自主导航中的有效性。

本文旨在解决自主越野导航中的地形特征不确定性问题，提出了一种基于多尺度LiDAR-图像融合的学习方法，用于在鸟瞰图中生成密集的地形分类地图。

论文的关键思路是将LiDAR和图像数据进行多尺度融合，利用不确定性感知的伪标签增强网络的学习可靠性，从而提高在自主越野导航中的地形分类准确性。

论文通过实验验证了该方法在自主越野导航中提高地形分类准确性的有效性，并且无需精确的3D注释。此外，论文还提供了开源代码和使用的数据集。

与本文相关的研究包括：'Terrain-Adaptive Off-Road Autonomous Driving via Deep Imagination and Curiosity'、'DeepTerrainSeg: Real-time Semantic Segmentation of Unstructured Terrain for Autonomous Driving'、'End-to-End Learning of Driving Models from Large-Scale Video Datasets'等。