激光雷达点云的研究
目前,学术界和业界对于激光雷达点云的处理方式的研究变的非常热门。我认为原因有二:
- 来自学术界的推力:对于图片中的许多问题有了突破性的进展,例如图片分类、语义分割和目标检测等问题。这些突破性进展使得计算机对2D世界的理解有了质的飞跃,那么如果将问题变难,计算机是否能够对3D世界中的相对应的问题有很好的的解决办法呢?获取3D信息的传感器典型的有双目相机、RGBD相机和激光雷达,而其中激光雷达的获取的数据精度最高,那么使用激光雷达点云数据处理上述3D问题就是很好的突破口。
- 来自产业界的拉力:人工智能的研究火爆,产业界也纷纷尝试将人工智能落地,自动驾驶产业则是既有市场又有突破的可能性,吸引了一大批商业巨头和创业公司。在自动驾驶的任务中,保证行车安全是第一任务,那么高精度的感知则成为了重中之重的模块,而激光雷达以其精度高、不易受光照影响等特点成为了自动驾驶车辆上不可缺少的传感器之一。所以,对激光雷达点云的处理的方法则需要着突破性的进展。
激光雷达数据的处理方法分类
激光雷达数据的处理方法的的根源是深度学习在计算机视觉的发展。这里,我们按照网络输入的格式进行分类。
体素
体素Voxel,英文可能是来源于像素Pixel,将体素理解为3维的像素也是可以的。先来说说像素,给定一张固定大小的图片,将图片均匀的分为很多小格子,每个小格子就叫像素。那么对于给定的三维空间,将空间均匀分成很多3维小格子,每个小格子叫体素。不同点在于,相机的工作原理,在图像形成的同时就决定了图像是由像素组成的,而且相机的感光三通