RAL‘24开源 | 港科大最新力作！BeautyMap：全局地图中动态点的剔除

0. 这篇文章干了啥？

点云在各种机器人应用中被广泛使用，因为它们在支持基本功能和任务方面非常有效。现有的同时定位与地图构建（SLAM）方法简单地融合点云，而没有有意地移除可能影响静态环境特征准确表示的动态点。在地图中包含动态点可能导致幽灵点的出现，这些幽灵点也会影响下游任务的性能。在定位任务中，幽灵点可能会降低鲁棒性。对于全局路径规划，幽灵点的存在可能导致子优路径选择。

现有的动态点去除方法可以根据其管道逻辑分为三类：基于自由空间的、基于差分的和数据驱动的。基于自由空间的方法通过光线投射经常经过的区域来识别自由区域。然而，部分检测问题和高计算需求限制了它们的应用。基于差分的方法通过比较扫描和地图之间的差异来分类动态点。然而，它们缺乏合适的全局地图表示，使得错误移除静态点的恢复变得复杂。数据驱动方法依赖于从数据集中学习，并训练一个特征提取网络直接检测动态点。尽管这些方法有效地识别了移动物体，但如果训练和测试数据集来自不同的传感器设置，领域自适应是一个巨大的挑战。

在本文中，我们介绍了一种新颖的用于开放世界环境的动态点去除方法，称为动态点去除的二进制编码适应性地面矩阵（BeautyMap）。所提出的方法可以高效准确地从全局点云地图中去除动态点。为了增强效率，我们将点云数据表示为3D二进制网格，并将其编码为2D矩阵。我们通过按位操作比较帧之间的矩阵和全局点云地图，标记所有潜在的动态点。这种直接的操作使我们能够比传统的光线投射方法更有效地执行潜在的动态区域检测。

为了准确地去除动态点，我们进行了一个可适应的地面调整过程。在这个过程中，我们应用一个粗糙的地面提取模块来过滤掉地面以下的异常点，并应用一个分层分辨率模块来分割地面的上表面和靠近地面的动态点。然后我们执行一个静态点恢复过程来检查以前的潜在动态区域，考虑传感器属性并屏蔽视线之外的检测。<