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(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪除。歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)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(guān)的文章。公眾號致力于理解三維視覺領(lǐng)域相關(guān)內(nèi)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(lián)系微信dianyunpcl@163.com。

●論文摘要

精準(zhǔn)、快速的感知系統(tǒng)是自動駕駛汽車安全行駛的基礎(chǔ)。三維目標(biāo)檢測方法處理激光雷達(dá)傳感器獲取的點云信息為每次感知系統(tǒng)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(biāo)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(guī)劃的控制系統(tǒng)提供有用信息。目前，目標(biāo)檢測系統(tǒng)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(tài)操作來檢索障礙物。第二種是基于深度學(xué)習(xí)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(xué)習(xí)技術(shù)來檢測障礙物。本文對這兩種方法進(jìn)行了比較，給出了每種方法在實際自動駕駛車輛上的實現(xiàn)方法。在實際的開發(fā)板上進(jìn)行了實驗測試，對算法的估計精度進(jìn)行了評估。車輛和障礙物的位置由GPS傳感器給出，并進(jìn)行RTK校正，保證了比較準(zhǔn)確的地面真實性。這兩種算法都已在ROS上實現(xiàn)，并在筆記本電腦上運行。

車頂安裝激光雷達(dá)的實驗車

●內(nèi)容介紹

基于點云的目標(biāo)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(xiàn)三維點云的單視圖或多視圖投影，生成二維網(wǎng)格，然后對其進(jìn)行處理以找到具有所需置信度的目標(biāo)物。然后，這個網(wǎng)格由2dcnn處理，或者通過傳統(tǒng)的算法處理。復(fù)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(zhuǎn)換后具有較低的遮擋信息而被廣泛應(yīng)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(xiàn)了精度和計算成本之間的權(quán)衡。體積卷積方法首先進(jìn)行點云體素化，將三維點云表示為規(guī)則間隔的三維體素網(wǎng)格。點強度、高度、密度和占用率等特征都是從相應(yīng)的特定體素單元內(nèi)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(jìn)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(dǎo)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(zhuǎn)換為二維圖像或三維體素網(wǎng)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(shù)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(gòu)造點云子集。然后將這些子集直接送入PointNet進(jìn)行分類和預(yù)測。綜上所述，基于投影的方法由于與成熟的二維目標(biāo)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(fù)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(tài)估計算法中實現(xiàn)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(biāo)檢測算法；第二個解決方案是該實驗室開發(fā)的基于幾何的3D點云處理方案。實驗車裝有1線激光雷達(dá)傳感器。驗證和比較方法的真值是基于用RTK校正的目標(biāo)物體的GPS測量值。這兩種算法都是在ROS上實現(xiàn)的，基于深度學(xué)習(xí)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(biāo)檢測的方法

Apollo 是一個開放式的自主駕駛平臺，它發(fā)布了實現(xiàn)自主駕駛的所有最重要的模塊。關(guān)于感知任務(wù)，Apollo使用全卷積神經(jīng)網(wǎng)絡(luò)（FCNN）對激光雷達(dá)傳感器提供的點云進(jìn)行分割。Apollo利用大規(guī)模數(shù)據(jù)集訓(xùn)練和測試了基于fcnn的目標(biāo)檢測模型，確保了高水平的魯棒性和準(zhǔn)確性。

?GEOMETRIC-BASED?目標(biāo)檢測

圖示處理從三維點云到二維占用網(wǎng)格的轉(zhuǎn)換，包括聚類、識別和跟蹤的最終任務(wù)。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(wù)，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(jié)

本文比較了自主駕駛中障礙物狀態(tài)估計的兩種算法。所分析的算法以旋轉(zhuǎn)式激光雷達(dá)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(guān)應(yīng)用分享

【點云論文速讀】基于激光雷達(dá)的里程計及3D點云地圖中的定位方法

3D目標(biāo)檢測：MV3D-Net

三維點云分割綜述（上）

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

win下使用QT添加VTK插件實現(xiàn)點云可視化GUI

JSNet：3D點云的聯(lián)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(guī)模點云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點云標(biāo)記

點云的超體素(SuperVoxel)

基于超點圖的大規(guī)模點云分割

更多文章可查看：點云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)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(tǒng)中的語義SLAM

【點云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設(shè)備單目視覺慣導(dǎo)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(tǒng)

SLAM綜述(3)-視覺與慣導(dǎo)，視覺與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

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(shù)

第二期B站錄播之深度學(xué)習(xí)在3D場景中的應(yīng)用

第三期B站錄播之CMake進(jìn)階學(xué)習(xí)

第四期B站錄播之點云物體及六自由度姿態(tài)估計

第五期B站錄播之點云深度學(xué)習(xí)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(zhǔn)概述及其在激光SLAM中的應(yīng)用

[線上分享錄播]cloudcompare插件開發(fā)

[線上分享錄播]基于點云數(shù)據(jù)的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術(shù)及機器人視覺分享

[線上分享錄播]地面點云配準(zhǔn)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(yīng)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(guān)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(wù)必按照“姓名+學(xué)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(nèi)容如有錯誤請留言評論，歡迎指正交流。如有侵權(quán)，請聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)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(guān)的領(lǐng)域。

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

點一下“在看”你會更好看耶

總結(jié)

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(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，歡迎將生活随笔推薦給好友。