給定一個(gè)3D激光雷達(dá)點(diǎn)云，我們?nèi)绾慰焖偾揖_地分割它們？快速且精確的3D激光雷達(dá)點(diǎn)云分割是移動(dòng)機(jī)器人在分類，跟蹤，SLAM等不同應(yīng)用中的重要問題。盡管它很重要，但是現(xiàn)有方法無法同時(shí)實(shí)現(xiàn)速度和準(zhǔn)確性；尤其是，在3D域中執(zhí)行分割的方法太慢，無法在實(shí)時(shí)處理中使用。

在本文中，我們提供了曲面體素聚類（CVC），一個(gè)利用了快速且精確的用于分割3D激光雷達(dá)點(diǎn)云的方法，該方法是通過激光雷達(dá)優(yōu)化的曲面體素實(shí)現(xiàn)的。CVC通過考慮對3D 激光雷達(dá)點(diǎn)進(jìn)行聚類的三個(gè)重要方面來進(jìn)行精細(xì)區(qū)分：距傳感器的距離，方向分辨率和點(diǎn)的稀有性。CVC通過一個(gè)哈希表來小心地管理曲面體素，從而成功地提供了實(shí)時(shí)的性能。尤其是，CVC在稀疏的3D點(diǎn)云上工作很好。通過實(shí)驗(yàn)，我們發(fā)現(xiàn)我們的方法比其他方法快1.7倍，精度高30%。CVC允許以每秒運(yùn)行大于20次的實(shí)時(shí)分割。

I. INTRODUCTION

? ? ?? 如何快速、準(zhǔn)確地分割三維激光雷達(dá)點(diǎn)云?激光雷達(dá)傳感器由于水平視場寬、掃描距離長，在移動(dòng)機(jī)器人、自動(dòng)駕駛汽車等研究領(lǐng)域得到了廣泛應(yīng)用。很多研究人員廣泛使用激光雷達(dá)進(jìn)行行人分類[1]-[5]，多機(jī)器人制圖[6]，[7]等。

? ? ?? 現(xiàn)有的基于三維激光雷達(dá)點(diǎn)云的分割方法分為三組:三維區(qū)域[8]-[10]分割、網(wǎng)格單元分割[11]-[13]分割和距離圖像[14]分割（深度圖像(depth image)也被稱為距離影像(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，現(xiàn)有的方法要么計(jì)算成本高，計(jì)算速度慢，要么精度不高，因?yàn)樗鼈儧]有認(rèn)真考慮三維激光雷達(dá)點(diǎn)云的特點(diǎn)。

? ? ? 提出了一種快速、準(zhǔn)確地分割三維激光雷達(dá)點(diǎn)云的曲面體素聚類方法。CVC高效而準(zhǔn)確地分割點(diǎn)云:1)引入了一種名為曲面體素的新的空間術(shù)語;2)仔細(xì)考慮三維激光雷達(dá)點(diǎn)云的三個(gè)不同特性(細(xì)節(jié)見第二節(jié));3)高效的基于哈希的數(shù)據(jù)結(jié)構(gòu)。圖1為五人分割三維激光雷達(dá)點(diǎn)云的案例研究。每種顏色表示一個(gè)集群。請注意，CVC正確地分割為5個(gè)人，即使他們彼此很接近，而DBSCAN則錯(cuò)誤地將他們劃分為3個(gè)組。表一展示了CVC與其他競爭對手在各個(gè)方面的對比。RBNN*表示我們對RBNN[9]的改進(jìn)版本(詳情見IV-A節(jié))。CVC是目前唯一一種考慮了激光雷達(dá)點(diǎn)云所有獨(dú)特特性的快速、準(zhǔn)確的分割方法。

Table1:本文方法與對比方法的比較。CVC是唯一能夠快速準(zhǔn)確分割3D激光雷達(dá)點(diǎn)云的方法，其考慮到所有需要的特性(細(xì)節(jié)見第II-A節(jié))。

The main contributions of this paper are the followings.

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

? Algorithm. We propose CVC, an ef?cient method for segmenting 3D LiDAR point clouds by utilizing LiDAR-optimized curved-voxels and ef?cient 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.

本文的其余部分組織如下:第二節(jié)是所需的屬性和問題定義，第三節(jié)提出方法，第四節(jié)實(shí)驗(yàn)，第五節(jié)相關(guān)工作，第六節(jié)結(jié)論。

II. DESIRED PROPERTIES AND PROBLEM DEFINITION?

在本節(jié)中，我們描述了三維激光雷達(dá)點(diǎn)分割方法應(yīng)滿足的所需性能，并定義了本文所要解決的問題。

A. Desired Properties for Segmenting 3D LiDAR Points?

1）兩個(gè)最近的點(diǎn)之間的距離隨著這些點(diǎn)離激光雷達(dá)傳感器的距離的增加而增加。

?

?

總結(jié)

以上是生活随笔為你收集整理的Paper5：Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Per的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。