ERASOR：解决动态环境下的SLAM建图问题，有效过滤动态物体（ICRA2021）

作者丨马赫WGH@知乎

来源丨https://zhuanlan.zhihu.com/p/409884870

编辑丨3D视觉工坊

一、算法解析

这篇论文致力于解决动态环境下的建图问题。

在以「城市开阔道路」为代表的动态环境下建图时，不可避免地会遇到动态物体的干扰，如行人、车辆等；这些动态物体在点云地图中形成的“鬼影”有害于后续的定位或导航任务。本文提出了一套算法 —— ERASOR，能够有效滤除地图中的“鬼影”。ERASOR 并不是在SLAM过程中在线地滤除动态点云，而是在SLAM构建好点云地图后，对地图进行一遍后处理，以达到目的。根据对比，ERASOR 明显优于已有的动态物体过滤算法，如下图所示。

图1. ERASOR与其它算法的对比

论文：https://arxiv.org/abs/2103.04316

ERASOR 是论文标题 "Egocentric RAtio of pSeudo Occupancy-based dynamic object Removal for Static 3D Point Cloud Map Building" 的缩写，这个标题直译为中文的话会很词不达意，但如果你读过 Scan Context 这篇paper 且理解 egocentric ratio 是什么的话，就不难理解这个标题了。

我将这个标题意译为：“如何构建静态地图：基于栅格中点云分布之差异的动态物体过滤方法”。

以下是 ERASOR 的算法框架，并不复杂，图片中的红色文字是我对算法各个环节的注释。下面稍微展开阐述一下。

A. 问题定义与符号系统

B. 栅格划分与占据状态描述子计算（R-POD）

C. 根据描述子对比筛选潜在动态区域（SRT）

对所有的 bin 做 SRT 之后，得到的结果如下图所示，绿色区域是筛选出的潜在动态 bins。

D. 地面拟合&动态点滤除（R-GPF）

接下来要做的工作，就是在潜在动态 bin 中，拟合出地面点，然后地平面以上的点，全部作为动态点滤除掉。所以本环节的核心，是如何准确地拟合出 bin 内的地平面。

注意我们上文提到的假设条件：所有的动态物体都是位于地面上的，所以潜在动态 bin 中的点，如果不属于地面，就属于动态物体。每个 bin 内的地面拟合是独立进行的，并不会参考其它 bin 中的地面分布。作者认为这种方式会更准确，因为参考整个地图的地平面拟合，可能因斜坡、路沿等的影响而失败，但在 bin 内这样一个局部空间中，斜坡的斜度可以被忽略，仍呈现出平面特征。

拟合地平面的具体方法是先选出高度最低的若干个点作为种子点，向上进行3次区域生长，找出的点为地面点。然后，用主成分分析法（Principal Component Analysis, PCA）计算地面点云的特征值和特征向量，则特征值最小的那个特征向量，最有可能是地面的法向量，据此算出地平面的平面方程。这个地面提取方法称为 Region-wise Ground Plane Fitting, R-GPF。最后将地平面以上的点作为动态点移除，结果如下图所示。

备注：感谢微信公众号「3D视觉工坊」整理。

E. ERASOR 算法小结

最后概括一下 ERASOR 的算法流程：

1.找出 query scan 对应的 submap，将两者的物理空间按相同的方式划分为一个个 bin；

2.为每一个 bin 计算占据状态描述子（点云高度差）；

3.找出那些描述子之比<0.2 的 bin，作为潜在动态 bins；

4.在每一个潜在动态 bin 中拟合地平面，将地平面以上的点作为动态点滤除；

5.done!

··· ···

F. 个人评价

ERASOR 的算法原理并不复杂，且代码也已开源，比较适合做demo验证。

可以看出，ERASOR 的效果依赖较为严格的假设：所有的动态物体必须位于地平面上，高度区间必须为 -1~3米之间。这一假设在标准的开阔公路路面上能够满足，但在其它不规则的环境下有很大的失效风险。

二、Related Works：SLAM中的动态物体过滤算法综述

常规的动态物体过滤方法按策略可以分为两类：（一）SLAM过程中在线去除动态点云，考虑了过往帧的信息(局部信息)；（二）用后处理的方式，考虑整个地图提供的信息(全局信息)，去除动态点云。

第一类策略可以细分为以下三种方法。

① segmentation-based。该类方法通常基于聚类，比如，Litomisky等人基于确定视角下的特征分布直方图(VFH, Viewpoint Feature Histogram)来从静态聚类中区分出动态聚类；Yin等人则认为相邻帧配准过程中匹配误差较大的点很可能是动态点，用这些点作为种子进行区域生长，搜索出的聚类既是动态聚类；此外，Yoon等人也提出了一种基于区域生长过滤动态聚类的方案。基于分割的方法中不得不提的还有基于深度学习的语义分割方法(deep-learning based semantic segmentation)，语义分割直接label出了哪些点是动态物体，建图算法只需要直接弃掉这些点即可，简单粗暴。但是，深度学习只能分割出训练过的动态类别，对其它类别的动态物体则无能为力。

② ray tracing-based。这类方法非常典型地要结合栅格去实现，可以是普通的占据栅格或者八叉树栅格。其基本原理是，激光点打到的cell，hits计数+1，激光光束穿过的cell，misses计数+1，通过hits和misses计算cell的占据概率，占据概率低于阈值，则抹除掉这个cell内的所有点。这种方法利用了动态点只会短暂地hit到某个cell，这个cell在随后的大部分时间里都会被miss的特点。这种方法的缺点是消耗计算资源，毕竟一个激光点不仅产生了一个hit，更会在光路上产生非常多的misses！当然，ray tracing-based method也可以用后处理的方式去做，比如Cartographer 3D。

③ visibility-based (基于可见性的方法)。这类方法的基本假设是：如果一个新激光点会穿过某个旧激光点的位置（共线），那么这个旧激光点就是动态点。这个假设逻辑上说得通，但实现起来有两个问题：其一，入射角接近90度时的误杀问题，如下图所示，红色箭头指向的旧点因为与新激光点（五角星）光路很接近，会被误杀掉，考虑到激光点测量本身的角度误差、测距误差、光斑影响等，这种误杀会更严重。其二，遮挡问题，比如对于一些大型动态物体，它们完全挡住了激光雷达的视线，激光雷达没有机会看到这些动态物体后方的静态物体，意味着这些动态点永远不会被新的激光点穿过，此时就绝无可能把这些动态点滤除掉了。

本文提出的 ERASOR 按策略属于第二类，其实上述一些第一类的方法也可以按后处理的方式去用，并不局限。

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术
2.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
3.国内首个面向工业级实战的点云处理课程
4.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
5.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
6.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
7.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

干货领取：

1. 在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

2. 在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

3. 在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列三维点云系列结构光系列、手眼标定、相机标定、orb-slam3知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~