Ground Estimation and Point Cloud Segmentation using SpatioTemporal Conditional Random Field（论文速读）

欢迎访问我的个人博客：zengzeyu.com

 

Abstract

---

无论是生成训练集还是障碍物识别跟踪系统，抑或是合理生成栅格地图，3D点云中地面点的提取分割分类操作是至关重要的一步，整个感知网络都可建立在其有效性上。在点云数据中，地平面估计或模式识别的不合理有可能导致系统性错误和运算量的激增。本文描述一种基于局部点云高度自适应的3D地面点云标记方法。此系统将地面建模为时空条件随机场（Spatio-Temporal Conditional Random Field， STCRF）。分割过程中的时空依赖性由基于 CRF 的概率框架来统一。采用了交叉互连（interconnected）期望最大化（Expection Maximization）算法变量的方法，由并行计算的每个节点一起生成地平面高度参数。该方法为搭载了稠密点云（Velodyne-64）和稀疏点云（IbeoLux）传感器的高速行驶车辆而设计，并且已经在嵌入式系统上进行算了试验（Nvidia Jetson TX1, TK1）。设计的试验场景包括实际各种道路场景（城市，农村，山区道路等），结果都达到了预期效果。