3D LiDAR Mapping in Dynamic Environments Using a 4D Implicit Neural Representation

建立准确的地图是实现自动驾驶车辆可靠定位、规划和导航的关键基础。我们提出了一种新的方法，利用一系列激光雷达扫描建立动态环境的准确地图。为此，我们提出了一种将4D场景编码为新的时空隐式神经地图表示的方法，通过将每个点拟合为一个时变的截断符号距离函数。利用我们的表示，我们通过过滤动态部分来提取静态地图。我们的神经表示基于稀疏特征网格、全局共享解码器和时变基函数，我们以无监督的方式共同优化它们。为了从一系列激光雷达扫描中学习这种表示，我们设计了一个简单而有效的损失函数，以分段的方式监督地图优化。我们在包含移动物体的各种场景上评估了我们的方法，以静态地图的重建质量和动态点云的分割为指标。实验结果表明，我们的方法能够在重建准确和完整的3D地图的同时去除输入点云的动态部分，优于几种最先进的方法。代码可在以下网址找到：https://github.com/PRBonn/4dNDF

论文旨在提出一种新方法，利用LiDAR扫描序列构建动态环境的准确地图，以实现自主车辆的可靠定位、规划和导航。该方法能够准确重建静态地图并过滤动态部分。

论文提出了一种新的空间-时间隐式神经地图表示方法，通过将时间依赖的截断有符号距离函数拟合到每个点上来编码4D场景。利用这种表示方法，可以通过过滤动态部分提取静态地图。

论文的亮点包括：使用稀疏特征网格、全局共享解码器和时间依赖基函数的神经表示方法；设计了一种简单而高效的损失函数来监督地图优化；在包含移动对象的各种场景中评估了该方法的性能。论文的代码可在GitHub上获得。

在这个领域中，最近的相关研究包括：'DeepLiDAR: Deep Surface Normal Guided Depth Prediction for Outdoor Scene from Sparse LiDAR Data'、'PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud'等。