泡泡点云时空，带你精读点云领域顶级会议文章

标题： Robust Method for Removing Dynamic Objects from Point Clouds

作者： Shishir Pagad, Divya Agarwal, Sathya Narayanan Kasturi Rangan, Hyungjin Kim, Ganesh Yalla

Autonomous Driving, Perception Team, NIO USA Inc.

来源：ICRA 2020

编译：丛阳滋

审核：王志勇

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

三维点云地图是由多帧不同时间与姿态的激光雷达扫描数据拼接而成，雷达扫描作为采集时刻内对环境的快照，难免会包含不是在所有时刻都能观测到的动态目标。因为动态目标会直接降低点云地图的质量，并且影响定位的精度，去除点云地图中的动态目标显得尤为重要。本文提出了一种鲁棒的去除三维点云地图中动态目标的方法，基于一段配准好的点云，我们构建占据地图，其中体素代表了扩展时间段内空间体积的占用状态，之后便可利用该占据地图对激光扫描进行滤波以在将激光点加入到地图之前去除动态目标，进一步地，我们使用目标探测和体素追踪来加速占据地图的构建，拥有占据地图之后可以实时去除动态目标，我们的方法在实际交通场景中效果明显，尤其是当对同一环境进行了多次扫描时。

当激光雷达扫过平坦地区，使用体素追踪会降低所通过体素的占据概率，从而容易造成平面上的空洞，为解决这个问题，我们维持一组属于地面的体素，并且记录该体素被划分为地面的次数（使用基于RANSAC的平面检测方法），当次数达到一定阈值，将其认为地面，不再会被标记为空闲。

2. 目标检测

我们使用深度学习进行3D目标检测，必然存在检测失败或者包围框不准确的情况（如上图所示），无法完全消除点云地图中的动态目标。我们首先对非目标点（位于包围盒之外的点）进行常规的光线追踪，结束后我们再使用目标点，然而我们并不增加端点的占据概率，而是减少，因为我们已经知道它们属于动态目标。

3. 占据概率

为了能够获得环境内长时间的占据状态地图，我们使用free counter来记录每个体素被穿过的次数，利用上面添加权重的公式来更新占据概率，这样做的目的是让那些被多次标记为free的体素更难恢复为占据状态。我们使用octree的方式对体素进行高效的索引。

4. 圆柱投影

由于离激光中心较远的点噪声较大，我们将超出一定距离的激光端点重新投影到圆柱面上，减少激光束所通过地方以及投影点处的占据概率。随着数据的增加，占据地图会越来越准确，稳定之后便可作为滤波器对点云地图进行处理，保留静态环境。

实验与结果

我们占据地图的构建依赖于环境的多时相激光扫描数据，从而可以获得更加可靠的静态地图。我们使用kitti以及使用VLP-32C和GPS采集的数据作为验证，计算了precision与recall。

针对宽敞道路，从表一可以看出，recall要好于precision，这是由于我们没有使用目标检测，并且该区域的回环数不足。

表二中由于通过较窄的道路，两旁建筑物的立面会更多的造成false positive。

我们没有对自己的数据进行标注，将目标检测的结果作为真值，从表三可以看出，对环境的多次扫描能极大的改善算法的效果。

Abstract

3D point cloud maps are an accumulation of laser scans obtained at different positions and times. Since laser scans represent a snapshot of the surrounding at the time of capture, they often contain moving objects which may not be observed at all times. Dynamic objects in point cloud maps decrease the quality of maps and affect localization accuracy, hence it is important to remove the dynamic objects from 3D point cloud maps. In this paper, we present a robust method to remove dynamic objects from 3D point cloud maps. Given a registered set of 3D point clouds, we build an occupancy map in which the voxels represent the occupancy state of the volume of space over an extended time period. After building the occupancy map, we use it as a filter to remove dynamic points in lidar scans before adding the points to the map. Furthermore, we accelerate the process of building occupancy maps using object detection and a novel voxel traversal method. Once the occupancy map is built, dynamic object removal can run in real-time. Our approach works well on wide urban roads with stopped or moving traffic and the occupancy maps get better with the inclusion of more lidar scans from the same scene.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系paopaorobot@163.com 返回搜狐，查看更多