使用3D点云的图形表示同时执行可穿越地面检测和对象聚类。为了分割可穿越地面,点云被编码成一个图结构,即三网格场,它将每个三网格视为一个节点。然后,通过检查连接节点的边的局部凸度和凹度,搜索和重新定义可穿越区域。另一方面,我们的地面以上的物体分割采用了图结构,通过将一组水平相邻的3D点在球形投影空间中表示为一个节点,将节点之间的垂直/水平关系作为一条边。充分利用节点-边结构,地面以上的分割确保了实时操作并减少了过度分割。
基于TGF的可穿越地面分割是TRAVEL的第一步,主要包括三个部分:基于TGF的节点级地形建模、广度优先可穿越图搜索(BTGS)以及可穿越地面建模和分割。
A、Traversability的预处理
预处理步骤对于提高分割性能尤其在崎岖的地形中是至关重要的。如图2(a)所示,一个点云可能会因为移动平台的运动而发生偏斜。为了去除点云的偏斜,我们采用了一种IMU预积分方法来紧密融合LiDAR和IMU数据。此外,我们采用了一个6自由度的姿态来缓解因倾斜平台引起的分割问题,如图2(b)所示。从姿态计算得到的俯仰角和滚动角将原始点云旋转到直立位置。经过这些补偿后,我们可以准确地估计世界坐标系中的地形属性。
图2. (a) 点云去偏斜和 (b) 姿态对齐的效果。黑色和绿色点表示应用每种补偿前后的点云。 (最佳在彩色中查看)
图3. (a) 一个3D点云的示例。(b) 三网格场(TGF)的表示。点云被编码成TGF,每个三角形节点包含基于它们的xy坐标的点。
图4. 可穿越地面分割的每个处理步骤中TGF的变化情况。(a) 每个节点的地形独立建模。(b) 根据它们的模型,节点被分类为地形(蓝色)、障碍物(红色)和未知(绿色)节点。(c) 可穿越地形基于B-TGS搜索的节点进行建模,并且不可穿越节点的平面模型被拒绝。(最佳在彩色中查看)
B、基于TGF的节点地形模型
首先,如图3所示,一个3D点云被编码成我们的图表示,即TGF,在xy坐标上以恒定分辨率预先构建的场。每个三角形节点
包含相应的部分点云Pi。TGF由一组节点
和一组边
组成,其中
连接
和
,N是一组节点索引。
因此,基于PCA的地面平面拟合方法在每个中估计一个平面模型Pi,初始地面点和按降序排序的特征值λk∈{1,2,3}。其中Pi由一个归一化表面法线向量si ∈ R3 组成,即 ||si|| = 1,并且平面系数di [9], [10]。每个nTi 还包括一个平均点mi ∈ R3,该点是通过对Pi中的初始地面点进行平均得到的,以及用于评分相应三网格可穿越性的权重
。它们分别表示如下:
其中,结合度(cohesion)= λ1/λ3,平面度(planarity)= λ2/λ3,线性度(linearity)= λ1/λ2是从点的分布中得出的特征系数,受到了Weinmann等人的研究的启发 [23]。如图4(a)所示,每个节点可以表示为一个三网格与相应的P。然后,根据倾斜阈值参数θT和点数σT,将nT分类为三种类型:地形节点nT,t,障碍物节点nT,o和未知节点nT,u。倾斜度小于θT,倾斜度大于θT,或点数少于σT的节点分别分类为nT,t,nT,o和nT,u。只有地形节点被传递到下一步。
Fig. 5. (a) 考虑两个节点之间的几何关系的边的局部凸度/凹度。(b) B-TGS的第一步示例。相邻节点(黑点)通过从种子节点(红点)开始的边(箭头)连接。通过检查边的局部凸度/凹度,决定最终可穿越的边和节点,并分别用黄色箭头和深蓝色网格进行说明。
Fig. 6. (a) 幅度优先可穿越图搜索(B-TGS)结果,黄色线条定义了连接可穿越地形节点的可穿越边界。 (b) 基于可穿越节点和边缘的可穿越地形模型拟合(TTMF)和分割结果。红点表示地面,黑点表示位于可穿越区域上方的障碍物。
C、宽度优先遍历图搜索(B-TGS)
要在一组可穿越节点TT中搜索,我们采用了一种广度优先搜索方法进入TGF,即B-TGS。首先,选择具有最高权重且距离传感器最近的nT,t作为种子节点nT,t is ,并将种子的相邻节点视为邻居,如图5(b)所示。然后,为了确定nT,t in中的可穿越节点nT,t in,我们计算了eTis in的可穿越性,即nTis和nTin之间的几何关系。受[12]启发,eTij的可穿越性由其本身的局部凸度和凹度决定,如图5(a)所示。以下方程表示边缘eTij是否具有可接受的局部凸度和凹度:
其中是两个节点之间的位移向量,
表示mi(或mj)可能位于Pj(或Pi)之上的角度,
表示相似度的阈值角度。如果种子和其他节点之间的lcc(eT)为真,则该节点属于真,并成为下一步搜索的另一个种子。B-TGS继续直到没有更多的相邻节点。如图6(a)所示,在B-TGS结束时,通过连接相应的
,可穿越的eT的集合被拉伸出来。
D.可穿越地形模型拟合(TTMF)
最后,在可行走地形模型拟合(TTMF)过程中,对于每个属于TT的节点,通过对节点的三角形角落
应用加权角拟合,从TGF上的P到ˆP进行了整体的可行走地面细化。在加权角拟合中,所有角落被分组到
中,其中M是分组角落索引的集合。然后,为了让权重较高的节点对其相邻节点的模型产生更显著的影响,CTm中每个角落的高度被更新为
,即,
通过以下加权平均步骤进行更新:
此外,每个由三个cˆm包围的都被校正为一个地形节点
,并具有以下更新的元素:
如图6(b)所示,对于每个,根据Pˆ,点云进行以下分段:
对于点pk∈Pi,其中表示点到平面的距离阈值。
Iv.地上物体分割
以上地面上方的对象分割首先对具有 标签(p) = 障碍物| 的点云P进行球形投影处理。然后,它在投影空间中对每一行进行水平和垂直更新迭代,以实现高效的计算时间。
Fig. 7. 单次扫描通过点的方位角(φ)和俯仰角(θ)投影到球形投影空间中。每个填充的容器表示一个测量点。请注意,第二个环中的容器着色以更好地阐明图 8 中节点和边的概念。
A.球面投影
球形投影[18]可以通过点的反射角度捕获点的空间邻近性,从而使即将到来的水平和垂直更新步骤变得更简单。点云的球形投影通过将点映射到具有宽度w和高度h的R^2空间中,按照它们的方位角和俯仰角进行排列。图7显示了球形投影点的示例。
Fig. 8. (a) 从图7中的第二个环扫描构建的节点,通过其标签着色,并由有向边连接。(b) 绿色和紫色节点属于同一个对象,但由于遮挡而被蓝色节点分开;两个分开的节点通过跳过链接测试,后一个节点的标签从紫色更新为绿色,跟随前一个节点的颜色。(c) 最后一个和第一个节点通过循环链接测试,因此第四个和最后一个节点的标签被更新为红色,跟随第一个节点的颜色。(最好以彩色查看)
Fig. 9. 相同颜色的点代表一个聚类。(a) 墙壁被过度分割,因为墙壁前面的物体阻止了激光雷达感知到结构后面的区域。(b) 类似杆状的结构被过度分割,因为缺乏垂直方向上的聚类。(最好以彩色查看)
B. Graph Representation
与[15]类似,水平相邻的点之间距离小于阈值,形成一个节点
,其中
,
, label分别表示起点的局部索引,终点的局部索引,标签的局部索引。由于点根据其方位角按水平顺序组织,因此注册节点的局部开始和结束索引对后续聚类很有用。简而言之,一组连接两个节点的有向边
和一组节点
构成了我们的聚类图结构GC,其中T ={0,…, h−1}和Nθ是环θ中节点索引的列表。
C.水平更新
水平更新步骤通过在局部索引方向上将相邻点聚类在水平合并阈值 内创建一个节点。在通过水平更新构建节点-边之后,图 7 中的第二环可以被紧凑地描述如图 8 所示。通过高效利用紧凑表示,循环链接和跳过链接测试可以防止由于遮挡而导致的过度分割。循环链接测试检查同一环 θ 中最后一个节点
的结束索引 idxe 和第一个节点
的起始索引 idxs 之间的水平距离是否低于 Thorz,其中 n 是 θ 中节点的总数。这种链接检查是为了防止来自 3D LiDAR 的点的分离。跳过链接测试将非相邻的节点合并,只要这两个节点位于 Thorz 内。同样,跳过链接测试在如图 9(a) 中频繁出现的情况下发挥其关键作用。
图10所示。我们的垂直标签更新过程的说明。(a)环间边缘。(b)计算边缘距离后的标签更新。
D.垂直更新
一旦一个环完成了水平更新,它就会进行垂直更新;这两个过程在每个环上重复执行。我们的垂直更新程序的主要新颖之处在于采用二分搜索来查找重叠并有效地计算两个节点之间的边缘距离Dv。如图10(a)所示,首先通过扩展窗口大小Text扩展搜索空间,以便构建更多可能的边,减少如图9(b)所示的垂直分离的机会。然后,在前一个环上,使用二分搜索来查找与当前环上的节点c1,0有索引重叠的下界和上界节点。此步骤可以创建从当前节点到上下边界之间的所有节点的环间链接。
图10(b)演示了如何计算环间边缘的垂直距离Dv。简单地说,Dv(c10,02)是由c1,0和c0,2中两点之间的距离定义的。然而,如果要将大量的点聚集到一个节点中,计算距离的顺序就变得至关重要。由于在多个环中以相同的局部索引收集的扫描点更有可能从一个对象测量,因此我们的算法开始计算与重叠索引的点距离。这样,我们的算法可以通过节省大量的冗余计算来节省计算成本。
结果
没有整理实验结果,放了几个表,KITTI数据集。
点个赞吧!拜托啦!