Mapless Online Detection of Dynamic Objects in 3D Lidar
前言
最近在做动态点滤除的work，在调研相关的文献，所以打算记录一下自己对相关文献的理解，如果有理解不到位的地方，也请大家不吝指正。
一、摘要
本文提出了一种无模型、无设置（？）的三维激光雷达数据中动态物体在线检测方法。我们明确补偿了当今3D旋转激光雷达传感器的运动失真。我们的检测方法使用运动补偿的自由空间查询算法，并在点级别上对动态（当前移动）和静态（当前静止）标签进行分类。为了进行定量分析，我们使用CARLA（一种用于自动驾驶研究的开源模拟器），用运动失真的激光雷达数据建立了一个基准。我们还使用Velodyne HDL-64E在驾驶场景中提供了真实数据的定性分析。与现有的无模型3D激光雷达方法相比，我们的方法是独特的，因为它不依赖设置且补偿了点云运动失真
二、方法
1.odometry
即激光雷达里程计，算出当前帧的位姿。
2.点云比较
当前帧和之前一帧进行比较。当前帧的点转移到世界坐标系下，针对当前帧中的每个点，拟合出其邻域的点张成的平面，然后计算之前一帧当中与该点最近的一个点到该平面的距离。距离超过阈值的认为是潜在的动态点。若当前帧中有些点的邻域点过少，没法计算平面，那么就构建点到点距离，同样的，认为距离超过阈值的是潜在动态点。
作者特别强调这两帧之间需要有一定的时间间隔（scan gap），以确保动态物体移动的距离够远，能够被检测出来。
3.free space check
由于之前检测出来的动态点中包含一些假动态点，例如新扫描到的点和之前被遮挡的点，和由于点的稀疏性导致估计出的平面不够好而产生的误判点，因此需要进行free space check。
该操作是针对当前帧的动态点，寻找之前帧当中扫描到该点的那束激光，然后若之前那束激光穿过了该点成的平面上，则说明该点确实是动态的，若激光束打到了该点成的平面上(freespace border)，就认为这个点是静态点，若该点处于激光束打到平面的后面(outside freespace)，则该点的状态未知。
可以看到，流程图当中的free space check包含了Backward和Forward两部分，Backward部分是检查该点是否在之前帧的free space当中，而Forward部分是检查该点是否在之后帧的free space当中。Forward检查的对象是那些在Backward检查时在freespace外(outside freespace)的点，这些点可能是动态的，论文举了一个例子：一辆正驶离激光雷达的汽车，它永远不会出现在之前帧的freespace内部。而在Forward检查时可以将这种情况检测出来。不过论文指出在进行Forward freespace check时，两帧没必要有一定的时间间隔（scan gap），因为远离的对象具有垂直于移动方向的表面几何图形（没理解。。原文： A scan gap is not needed for forward because objects moving away have surface geometry perpendicular to the movement direction）。
3.箱式滤波器
作者说free space check容易出错，因为激光雷达的分辨率有限（例如远处的free space），我理解是在远处，激光雷达线与线的间隔会很大，导致free space check寻找到的最靠近的激光束其实距离该点也比较远，没法反映该点的真实状况，导致远处会出现一些假的、孤立的动态点。因此作者用一个同或（XNOR）滤波器（Figure 5）把这些点滤除掉
4.区域生长
通常，scan gap不足以使目标完全离开其先前的位置。因此，作者用一种区域生长的方法将动态物体完整地滤除。作者使用Klasing等人提出的三维点云聚类方法[19]，一种径向有界最近邻策略逐步将动态点分组成不同物体。作者使用Moosmann等人的迭代点云分割方法来进行区域生长[20]，通过测试相邻点是平行还是凸出，物体逐渐生长，直到找不到为止。文章来源：https://www.toymoban.com/news/detail-816178.html
总结
这篇文章讲的方法大致就是这样了，个人总结了下优缺点，优点：freespace check比较好地解决了遮挡区域和新扫描到的区域误判问题；缺点：1.不仅要和之前的帧比较，也要和之后的帧比较，无法实时；2.freespace check的计算量挺大（存疑）。文章来源地址https://www.toymoban.com/news/detail-816178.html
到了这里，关于Mapless Online Detection of Dynamic Objects in 3D Lidar解读的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[arxiv论文阅读] LiDAR-LLM: Exploring the Potential of Large Language Models for 3D LiDAR Understanding](https://imgs.yssmx.com/Uploads/2024/02/785864-1.png)
