給定一個3D激光雷達點云，我們如何快速且精確地分割它們？快速且精確的3D激光雷達點云分割是移動機器人在分類，跟蹤，SLAM等不同應用中的重要問題。盡管它很重要，但是現有方法無法同時實現速度和準確性；尤其是，在3D域中執行分割的方法太慢，無法在實時處理中使用。

在本文中，我們提供了曲面體素聚類（CVC），一個利用了快速且精確的用于分割3D激光雷達點云的方法，該方法是通過激光雷達優化的曲面體素實現的。CVC通過考慮對3D 激光雷達點進行聚類的三個重要方面來進行精細區分：距傳感器的距離，方向分辨率和點的稀有性。CVC通過一個哈希表來小心地管理曲面體素，從而成功地提供了實時的性能。尤其是，CVC在稀疏的3D點云上工作很好。通過實驗，我們發現我們的方法比其他方法快1.7倍，精度高30%。CVC允許以每秒運行大于20次的實時分割。

I. INTRODUCTION

? ? ?? 如何快速、準確地分割三維激光雷達點云?激光雷達傳感器由于水平視場寬、掃描距離長，在移動機器人、自動駕駛汽車等研究領域得到了廣泛應用。很多研究人員廣泛使用激光雷達進行行人分類[1]-[5]，多機器人制圖[6]，[7]等。

? ? ?? 現有的基于三維激光雷達點云的分割方法分為三組:三維區域[8]-[10]分割、網格單元分割[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，現有的方法要么計算成本高，計算速度慢，要么精度不高，因為它們沒有認真考慮三維激光雷達點云的特點。

? ? ? 提出了一種快速、準確地分割三維激光雷達點云的曲面體素聚類方法。CVC高效而準確地分割點云:1)引入了一種名為曲面體素的新的空間術語;2)仔細考慮三維激光雷達點云的三個不同特性(細節見第二節);3)高效的基于哈希的數據結構。圖1為五人分割三維激光雷達點云的案例研究。每種顏色表示一個集群。請注意，CVC正確地分割為5個人，即使他們彼此很接近，而DBSCAN則錯誤地將他們劃分為3個組。表一展示了CVC與其他競爭對手在各個方面的對比。RBNN*表示我們對RBNN[9]的改進版本(詳情見IV-A節)。CVC是目前唯一一種考慮了激光雷達點云所有獨特特性的快速、準確的分割方法。

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

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:第二節是所需的屬性和問題定義，第三節提出方法，第四節實驗，第五節相關工作，第六節結論。

II. DESIRED PROPERTIES AND PROBLEM DEFINITION?

在本節中，我們描述了三維激光雷達點分割方法應滿足的所需性能，并定義了本文所要解決的問題。

A. Desired Properties for Segmenting 3D LiDAR Points?

1）兩個最近的點之間的距離隨著這些點離激光雷達傳感器的距離的增加而增加。

?

?

總結

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。