點云PCL免費知識星球，點云論文速讀。

文章：LiDAR point-cloud processing based on projection methods: a comparison

作者：Guidong Yang , Simone Mentasti , Mattia Bersani ,

翻譯：particle

本文僅做學術分享，如有侵權，請聯系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

●論文摘要

精準、快速的感知系統是自動駕駛汽車安全行駛的基礎。三維目標檢測方法處理激光雷達傳感器獲取的點云信息為每次感知系統提供精確的深度和位置信息，以及障礙物的尺寸和分類。而后，這些信息被用于目標跟蹤車輛周圍的車輛和其他障礙物，并為確保避免碰撞和運動規劃的控制系統提供有用信息。目前，目標檢測系統可分為兩大類。第一種是基于幾何的方法，通過對三維點云的幾何和形態操作來檢索障礙物。第二種是基于深度學習的，它可以直接處理3D點云，或者3D點云的其他表示形式，使用深度學習技術來檢測障礙物。本文對這兩種方法進行了比較，給出了每種方法在實際自動駕駛車輛上的實現方法。在實際的開發板上進行了實驗測試，對算法的估計精度進行了評估。車輛和障礙物的位置由GPS傳感器給出，并進行RTK校正，保證了比較準確的地面真實性。這兩種算法都已在ROS上實現，并在筆記本電腦上運行。

車頂安裝激光雷達的實驗車

●內容介紹

基于點云的目標檢測方法可以分為三個子類：基于投影的方法、基于體素卷積的方法和基于原始點云的方法。

三種方式的比較

基于投影的方法實現三維點云的單視圖或多視圖投影，生成二維網格，然后對其進行處理以找到具有所需置信度的目標物。然后，這個網格由2dcnn處理，或者通過傳統的算法處理。復雜的YOLO，BirdNet，PIXOR將點云映射到鳥瞰圖（BEV）。LMNet，VeloFCN以點云的正視圖（FV）為輸入。MV3D同時采用點云的BEV和FV作為輸入。BEV圖因其轉換后具有較低的遮擋信息而被廣泛應用。基于投影的方法通過投影縮小點云的維度和計算成本，同時不可避免地造成空間信息的丟失。這些方法實際上實現了精度和計算成本之間的權衡。體積卷積方法首先進行點云體素化，將三維點云表示為規則間隔的三維體素網格。點強度、高度、密度和占用率等特征都是從相應的特定體素單元內的點云手動提取的。然后采用三維卷積來處理這些體素。這些方法對點云的空間信息進行了清晰的編碼，與基于投影的方法相比，信息丟失少，從而獲得了較高的檢測精度。然而，由于三維卷積的計算代價昂貴，以及點云稀疏導致的空體素，體積卷積方法耗時且效率低下。基于投影的方法和體素卷積方法的目的是將點云轉換為二維圖像或三維體素網格。不同的是，基于原始點云的方法直接處理點云，以最小化空間信息損失。大多數基于原始點云的方法都是PointNet的衍生，廣泛用于對象分類和語義分割。PointNet++是PointNet的升級版本，可以有效地提取局部特征，而 Frustum PointNet允許基于圖像平面上的2D檢測構造點云子集。然后將這些子集直接送入PointNet進行分類和預測。綜上所述，基于投影的方法由于與成熟的二維目標檢測方法相似，在自動駕駛場景中得到了很好的研究。即使基于人工的特征提取，它們在時間復雜性和檢測性能之間提供了很好的折衷。

本文比較了在自動駕駛車輛的狀態估計算法中實現的兩種不同的基于投影的方法。第一個解決方案基于開源的基于Apollo-FCNN的目標檢測算法；第二個解決方案是該實驗室開發的基于幾何的3D點云處理方案。實驗車裝有1線激光雷達傳感器。驗證和比較方法的真值是基于用RTK校正的目標物體的GPS測量值。這兩種算法都是在ROS上實現的，基于深度學習的方法在NVIDIA GTX 1050Ti上運行，而幾何算法只在CPU上運行。

FCNN-BASED?目標檢測的方法

Apollo 是一個開放式的自主駕駛平臺，它發布了實現自主駕駛的所有最重要的模塊。關于感知任務，Apollo使用全卷積神經網絡（FCNN）對激光雷達傳感器提供的點云進行分割。Apollo利用大規模數據集訓練和測試了基于fcnn的目標檢測模型，確保了高水平的魯棒性和準確性。

?GEOMETRIC-BASED?目標檢測

圖示處理從三維點云到二維占用網格的轉換，包括聚類、識別和跟蹤的最終任務。第一步是去除所有屬于地面的檢測點，即路面，以減少估計過程中的誤報率。為了完成這項任務，平面擬合問題基于RANSAC（隨機樣本一致性）。一旦地平面被移除，所有剩余點很可能屬于障礙物。

● 實驗與對比

估計值與實際值（GT）的比較

●總結

本文比較了自主駕駛中障礙物狀態估計的兩種算法。所分析的算法以旋轉式激光雷達傳感器獲取的三維點云作為輸入，估計了自動駕駛車輛周圍障礙物或者車輛的距離。此外，兩種算法都給出了每次檢測的主要障礙物尺度的估計值。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的【论文速读】基于投影方法的激光雷达点云处理比较的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。