Ghost-FWL: Un Conjunto de Datos a Gran Escala de LiDAR de Onda Completa para la Detección y Eliminación de Fantasmas

Resumen

El LiDAR se ha convertido en una modalidad de detección esencial en la conducción autónoma, la robótica y las aplicaciones de ciudades inteligentes. Sin embargo, los puntos fantasma (o fantasmas), que son reflexiones falsas causadas por retornos láser multicamino procedentes de vidrios y superficies reflectantes, degradan severamente la precisión de la cartografía 3D y la localización. La eliminación previa de fantasmas se basa en la consistencia geométrica en nubes de puntos densas, fallando en los datos dinámicos y dispersos del LiDAR móvil. Abordamos este problema aprovechando el LiDAR de onda completa (FWL), que captura perfiles temporales de intensidad completos en lugar de solo distancias de pico, proporcionando pistas cruciales para distinguir fantasmas de reflexiones genuinas en escenarios móviles. Al tratarse de una tarea nueva, presentamos Ghost-FWL, el primer y mayor conjunto de datos FWL móvil anotado para la detección y eliminación de fantasmas. Ghost-FWL comprende 24.000 fotogramas en 10 escenarios diversos con 7500 millones de anotaciones a nivel de pico, lo que lo hace 100 veces más grande que los conjuntos de datos FWL anotados existentes. Beneficiándonos de este conjunto de datos a gran escala, establecemos un modelo de referencia basado en FWL para la detección de fantasmas y proponemos FWL-MAE, un autoencoder enmascarado para un aprendizaje de representación auto-supervisado eficiente en datos FWL. Los experimentos muestran que nuestro modelo de referencia supera a los métodos existentes en precisión de eliminación de fantasmas, y nuestra eliminación de fantasmas mejora aún más tareas posteriores como el SLAM basado en LiDAR (reducción del 66% en el error de trayectoria) y la detección de objetos 3D (reducción de 50 veces en falsos positivos). El conjunto de datos y el código son de acceso público y pueden consultarse en la página del proyecto: https://keio-csg.github.io/Ghost-FWL

English

LiDAR has become an essential sensing modality in autonomous driving, robotics, and smart-city applications. However, ghost points (or ghosts), which are false reflections caused by multi-path laser returns from glass and reflective surfaces, severely degrade 3D mapping and localization accuracy. Prior ghost removal relies on geometric consistency in dense point clouds, failing on mobile LiDAR's sparse, dynamic data. We address this by exploiting full-waveform LiDAR (FWL), which captures complete temporal intensity profiles rather than just peak distances, providing crucial cues for distinguishing ghosts from genuine reflections in mobile scenarios. As this is a new task, we present Ghost-FWL, the first and largest annotated mobile FWL dataset for ghost detection and removal. Ghost-FWL comprises 24K frames across 10 diverse scenes with 7.5 billion peak-level annotations, which is 100x larger than existing annotated FWL datasets. Benefiting from this large-scale dataset, we establish a FWL-based baseline model for ghost detection and propose FWL-MAE, a masked autoencoder for efficient self-supervised representation learning on FWL data. Experiments show that our baseline outperforms existing methods in ghost removal accuracy, and our ghost removal further enhances downstream tasks such as LiDAR-based SLAM (66% trajectory error reduction) and 3D object detection (50x false positive reduction). The dataset and code is publicly available and can be accessed via the project page: https://keio-csg.github.io/Ghost-FWL

Ghost-FWL: Un Conjunto de Datos a Gran Escala de LiDAR de Onda Completa para la Detección y Eliminación de Fantasmas

Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal

Resumen

Support