點云PCL免費知識星球，點云論文速讀。

標題：Probabilistic Semantic Mapping for Urban Autonomous Driving Applications

作者：David Paz, Hengyuan Zhang, Qinru Li

星球ID：particle

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

近年來統(tǒng)計學(xué)和計算機能力的進步使自動駕駛技術(shù)以更快的速度發(fā)展并得到廣泛應(yīng)用。雖然很多介紹的許多地圖體系結(jié)構(gòu)都能夠在高度動態(tài)的環(huán)境下運行，但由于與高精（HD）地圖相關(guān)的可擴展性成本，其中許多體系結(jié)構(gòu)都局限于較小規(guī)模的部署，并且需要經(jīng)常維護。高精地圖為自動駕駛汽車安全駕駛提供了關(guān)鍵信息。然而，創(chuàng)建高精地圖的傳統(tǒng)方法涉及繁瑣的手動標記物體。為了解決這一問題，我們將二維圖像語義分割與從一個相對便宜的16線激光雷達傳感器采集的預(yù)構(gòu)建點云地圖相結(jié)合，在鳥瞰圖中構(gòu)建局部概率語義地圖，對駕駛環(huán)境中的道路、人行道和車道等靜態(tài)路標進行編碼。從城市環(huán)境中采集的數(shù)據(jù)進行的實驗，表明該模型可以擴展為將道路特征自動化的合并到具有潛在未來工作方向的HD地圖中。

●主要貢獻

在HD地圖生成過程中，從數(shù)據(jù)中提取語義屬性是最費時的工作。自動化這一過程的模型可以改進高精地圖的生成，降低勞動力成本，提高駕駛安全性。

該方案的重點是利用16線激光雷達構(gòu)建的稠密點云地圖和來自深度神經(jīng)網(wǎng)絡(luò)的最新語義標記圖像（僅在公開可用的數(shù)據(jù)集上進行訓(xùn)練），在城市駕駛環(huán)境中自動生成密集的概率語義圖，為道路、車道、人行道提供可靠的標簽。通過與自動駕駛車輛上的離線真實高精地圖的比較，表明該模型能夠識別道路中的語義特征，并在三維空間中進行精確定位。

●論文內(nèi)容分析與圖集

生成概率語義地圖的道路特征提取和高清地圖應(yīng)用的處理流程

通過幾何變換將局部點云地圖和語義圖像融合在一起，我們提出了一種概率映射，它可以解釋每個網(wǎng)格的標簽分布。如圖1所示，整體架構(gòu)由語義分割、點云語義關(guān)聯(lián)、語義映射和地圖轉(zhuǎn)換組成。

圖像語義分割

使用DeepLabV3Plus[6]網(wǎng)絡(luò)結(jié)構(gòu)從二維圖像中提取語義信息，訓(xùn)練標簽如下

點云語義關(guān)聯(lián)

在給定語義圖像的情況下，估計語義像素數(shù)據(jù)的相對深度可以幫助我們重建具有語義標簽的三維場景。然而，這些信息通常不可用。基于多視角幾何的深度估計需要顯著的特征，這在道路上或當照明條件變化很大時容易出錯。即使使用我們實時獲得的激光雷達掃描，16線激光雷達的稀疏分辨率也使得推斷潛在幾何結(jié)構(gòu)變得困難。相反，我們的方法提取密集點云地圖的小區(qū)域，并將其投影到語義分割的圖像中以檢索深度信息。由于建立如此密集的點地圖只需要駕車經(jīng)過該地區(qū)一次，這一過程比人工標記成本更低。

構(gòu)建概率語義地圖

雖然帶有語義標簽的點云提供了場景的三維重建，但是這些標簽也會受到噪聲和語義標簽小波動的影響。為了解決這一問題，使用語義點云構(gòu)建并更新局部概率地圖。

斑馬線和側(cè)車道基于表面反射率具有更高的強度，表明該區(qū)域?qū)儆谔囟撕灥目赡苄愿?。因?#xff0c;我們將概率的對數(shù)與該區(qū)域的強度聯(lián)系起來。

概率地圖的轉(zhuǎn)換

對于每一幀，我們用語義點云數(shù)據(jù)更新概率圖，但我們并不是每幀都構(gòu)造一個全新的局部地圖。因為我們只考慮局部地圖，通常我們的舊地圖和新地圖都有大多數(shù)重疊，這種轉(zhuǎn)換可以簡化為單應(yīng)性，使得加快了過程。

●實驗結(jié)果

車身傳感器配置

? 不將強度融合到語義映射（上圖）和融合強度到概率更新（底部圖像）中的結(jié)果對比

一系列局部圖融合展示了概率地圖圖的自動校正能力

使用實時激光雷達掃描進行語義地圖構(gòu)建時。下圖顯示，當汽車開得更快時，地圖變得更加稀疏。

如前所述，提取深度信息的方法是使用激光雷達實時生成的點云數(shù)據(jù)。采用相似的方法，將點云投影到語義圖像框架上，建立語義點云和圖像語義地圖之間的關(guān)聯(lián)。

與人工標注的高精地圖比較：白框標注人行橫道，粉色區(qū)域?qū)?yīng)語義點云投影。

一個由多個局部語義地圖圖組成的較大的地圖，放大后的圖像突出了人行道的定位。

顯示在點云地圖頂層的語義地圖

●總結(jié)

通過融合圖像幀上豐富語義標簽的信息，我們與人工標注地圖的比較表明，這項工作有效地引入了一種用于識別道路特征并在三維空間中進行定位的統(tǒng)計方法，可用于自動標注人行道、車道線、可行區(qū)域等。這些特性可用于獨立于預(yù)定義的HD地圖格式用于生成HD地圖，并擴展了通常用于路徑跟蹤算法的中心車道標識。

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(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

基于局部凹凸性進行目標分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點云標記

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！

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：可聯(lián)系微信“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】城市自动驾驶应用的概率语义地图的全部內(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。