Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time

简介

给定一个3D激光雷达点云，我们如何快速且精确地分割它们？快速且精确的3D激光雷达点云分割是移动机器人在分类，跟踪，SLAM等不同应用中的重要问题。尽管它很重要，但是现有方法无法同时实现速度和准确性；尤其是，在3D域中执行分割的方法太慢，无法在实时处理中使用。

我们提供了曲面体素聚类（CVC），一个利用了快速且精确的用于分割3D激光雷达点云的方法，该方法是通过激光雷达优化的曲面体素实现的。CVC通过考虑对3D 激光雷达点进行聚类的三个重要方面来进行精细区分：距传感器的距离，方向分辨率和点的稀有性。CVC通过一个哈希表来小心地管理曲面体素，从而成功地提供了实时的性能。尤其是，CVC在稀疏的3D点云上工作很好。通过实验，我们发现我们的方法比其他方法快1.7倍，精度高30%。CVC允许以每秒运行大于20次的实时分割。

现有的基于三维激光雷达点云的分割方法分为三组:三维区域[8]-[10]分割、网格单元分割[11]-[13]分割和距离图像[14]分割（深度图像(depth image)也被称为距离影像(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，现有的方法要么计算成本高，计算速度慢，要么精度不高，因为它们没有认真考虑三维激光雷达点云的特点。