La investigación en conducción autónoma ha dado un gran paso hacia la integración de vehículos que puedan navegar de manera autónoma no solo en carreteras asfaltadas sino también en terrenos menos convencionales. Esta iniciativa surge mediante la creación del primer benchmark de predicción semántica 3D del mundo off-road llamado WildOcc. Este proyecto busca abordar la escasez de datasets que permitan entrenar y evaluar modelos en ambientes fuera de carretera, caracterizados por su complicidad y riqueza geométrica.

El reto de la predicción de ocupación semántica 3D en ambientes off-road es significativo, dado que estos espacios están llenos de objetos irregulares como arbustos, árboles y barro, lo cual dificulta la reconstrucción precisa de las escenas en 3D. Las soluciones previas se centraban principalmente en ambientes on-road dejando un vacío que WildOcc viene a llenar.

WildOcc proporciona una anotación densa de ocupación semántica para 10000 casos, empleando una metodología de reconstrucción de grueso a fino, lo que permite lograr resultados más realistas. Este enfoque innovador ayuda a mitigar los errores que surgen al intentar reconstruir escenas con abundantes elementos ambientales.

Además, WildOcc introduce un marco de predicción de ocupación semántica 3D multimodal que fusiona información espacio-temporal de imágenes de múltiples cuadros y nubes de puntos a nivel de voxel. Este método se apoya en una función de destilación cruzada de modalidades, trasladando conocimiento geométrico de las nubes de puntos a las características de imagen.

El objetivo principal es predecir las etiquetas semánticas de cada voxel ocupado a una distancia. Para alcanzar esto, se optimiza el pipeline de generación de anotaciones para adaptarse mejor a ambientes off-road, asegurando que cada componente de la escena se reconstruya con mayor precisión.

El desarrollo de esta solución es encabezado por el Instituto de Tecnología de la Computación de la Academia de Ciencias de China, quienes han extendido el dataset Rellis-3D para incluir etiquetas de ocupación semántica 3D densas. Esta expansión evidencia el compromiso del equipo de investigación en facilitar un dataset robusto y utilizable para futuras investigaciones en conducción autónoma en entornos desafiantes.

A modo de conclusión, WildOcc no solo representa un avance significativo en el ámbito de conducción autónoma off-road, sino que también abre las puertas a futuras investigaciones sobre la interacción de vehículos autónomos con ambientes no estructurados y llenos de obstáculos. Este proyecto podría ser el cimiento sobre el cual se levante la próxima generación de técnicas de navegación autónoma versátiles y adaptables.