Paper5:Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Per

给定一个3D激光雷达点云,我们如何快速且精确地分割它们?快速且精确的3D激光雷达点云分割是移动机器人在分类,跟踪,SLAM等不同应用中的重要问题。尽管它很重要,但是现有方法无法同时实现速度和准确性;尤其是,在3D域中执行分割的方法太慢,无法在实时处理中使用。

在本文中,我们提供了曲面体素聚类(CVC),一个利用了快速且精确的用于分割3D激光雷达点云的方法,该方法是通过激光雷达优化的曲面体素实现的。CVC通过考虑对3D 激光雷达点进行聚类的三个重要方面来进行精细区分:距传感器的距离,方向分辨率和点的稀有性。CVC通过一个哈希表来小心地管理曲面体素,从而成功地提供了实时的性能。尤其是,CVC在稀疏的3D点云上工作很好。通过实验,我们发现我们的方法比其他方法快1.7倍,精度高30%。CVC允许以每秒运行大于20次的实时分割。

I. INTRODUCTION

       如何快速、准确地分割三维激光雷达点云?激光雷达传感器由于水平视场宽、扫描距离长,在移动机器人、自动驾驶汽车等研究领域得到了广泛应用。很多研究人员广泛使用激光雷达进行行人分类[1]-[5],多机器人制图[6],[7]等。

       现有的基于三维激光雷达点云的分割方法分为三组:三维区域[8]-[10]分割、网格单元分割[11]-[13]分割和距离图像[14]分割(深度图像(depth image)也被称为距离影像(range image))(segmentation in the 3D domain [8]–[10], segmentation with occupied grid cells [11]–[13], and segmentation on a range image [14]. )。然而,现有的方法要么计算成本高,计算速度慢,要么精度不高,因为它们没有认真考虑三维激光雷达点云的特点。

      提出了一种快速、准确地分割三维激光雷达点云的曲面体素聚类方法。CVC高效而准确地分割点云:1)引入了一种名为曲面体素的新的空间术语;2)仔细考虑三维激光雷达点云的三个不同特性(细节见第二节);3)高效的基于哈希的数据结构。图1为五人分割三维激光雷达点云的案例研究。每种颜色表示一个集群。请注意,CVC正确地分割为5个人,即使他们彼此很接近,而DBSCAN则错误地将他们划分为3个组。表一展示了CVC与其他竞争对手在各个方面的对比。RBNN*表示我们对RBNN[9]的改进版本(详情见IV-A节)。CVC是目前唯一一种考虑了激光雷达点云所有独特特性的快速、准确的分割方法。

Paper5:Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Per_第1张图片

Table1:本文方法与对比方法的比较。CVC是唯一能够快速准确分割3D激光雷达点云的方法,其考虑到所有需要的特性(细节见第II-A节)。

Paper5:Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Per_第2张图片

The main contributions of this paper are the followings.

• New Spatial Primitive. We design curved-voxel, a LiDAR-optimized spatial unit reflecting distinct characteristics of 3D LiDAR point clouds.

• Algorithm. We propose CVC, an efficient method for segmenting 3D LiDAR point clouds by utilizing LiDAR-optimized curved-voxels and efficient hashbased data structure.

• Experiments. We present experimental results showing that CVC segments 3D LiDAR point clouds up to 1.7× faster and 30% more accurately than other competitors do. In particular, CVC has an advantage of correctly distinguishing adjacent people.

本文的其余部分组织如下:第二节是所需的属性和问题定义,第三节提出方法,第四节实验,第五节相关工作,第六节结论。

II. DESIRED PROPERTIES AND PROBLEM DEFINITION 

在本节中,我们描述了三维激光雷达点分割方法应满足的所需性能,并定义了本文所要解决的问题。

A. Desired Properties for Segmenting 3D LiDAR Points 

1)两个最近的点之间的距离随着这些点离激光雷达传感器的距离的增加而增加。

 

 

你可能感兴趣的:(文献阅读)