The ability to detect and segment moving objects in a scene is essential for building consistent maps, making future state predictions, avoiding collisions, and planning. In this letter, we address the problem of moving object segmentation from 3D LiDAR scans. We propose a novel approach that pushes the current state of the art in LiDAR-only moving object segmentation forward to provide relevant information for autonomous robots and other vehicles. Instead of segmenting the point cloud semantically, i.e., predicting the semantic classes such as vehicles, pedestrians, roads, etc., our approach accurately segments the scene into moving and static objects, i.e., also distinguishing between moving cars vs. parked cars. Our proposed approach exploits sequential range images from a rotating 3D LiDAR sensor as an intermediate representation combined with a convolutional neural network and runs faster than the frame rate of the sensor. We compare our approach to several other state-of-the-art methods showing superior segmentation quality in urban environments. Additionally, we created a new benchmark for LiDAR-based moving object segmentation based on SemanticKITTI. We published it to allow other researchers to compare their approaches transparently and we furthermore published our code.

中文翻译：

---

3D LiDAR 数据中的移动对象分割：一种利用序列数据的基于学习的方法

检测和分割场景中移动物体的能力对于构建一致的地图、进行未来状态预测、避免碰撞和规划至关重要。在这封信中，我们解决了从 3D LiDAR 扫描中分割运动对象的问题。我们提出了一种新颖的方法，可以推动仅使用 LiDAR 的移动对象分割的当前技术水平，为自主机器人和其他车辆提供相关信息。我们的方法不是从语义上分割点云，即预测语义类别，如车辆、行人、道路等，而是将场景准确地分割成移动和静态对象，即也区分移动的汽车和停放的汽车。我们提出的方法利用来自旋转 3D LiDAR 传感器的连续距离图像作为结合卷积神经网络的中间表示，并且运行速度高于传感器的帧速率。我们将我们的方法与其他几种最先进的方法进行比较，这些方法在城市环境中显示出卓越的分割质量。此外，我们为基于 SemanticKITTI 的基于 LiDAR 的移动对象分割创建了一个新的基准。我们发布了它，让其他研究人员可以透明地比较他们的方法，我们还发布了我们的代码。我们为基于 SemanticKITTI 的基于 LiDAR 的移动对象分割创建了一个新的基准。我们发布了它，让其他研究人员可以透明地比较他们的方法，我们还发布了我们的代码。我们为基于 SemanticKITTI 的基于 LiDAR 的移动对象分割创建了一个新的基准。我们发布了它，让其他研究人员可以透明地比较他们的方法，我们还发布了我们的代码。