綜述 | 自動駕駛和SLAM中動態(tài)障礙物濾除方案綜述（2）

以上，介紹了動態(tài)障礙物濾除算法應用層面和基本原理，這一章節(jié)中將具體推薦幾個本人認為很有參考價值、值得學習并值得花時間去復現(xiàn)的幾個動態(tài)障礙物濾除算法和理論。

以下論文pdf和代碼鏈接，在公眾號「計算機視覺工坊」后臺，回復「原論文」即可獲取。

【1】Zhou, H. et al. (2020) Cylinder3D: An effective 3D framework for driving-scene lidar semantic segmentation, arXiv.org. Available at: https://arxiv.org/abs/2008.01550 (Accessed: 22 August 2023).

在線實時的過濾算法，長期霸榜SemanticKITTI:Moving Object Segmanteion，

【2】Pfreundschuh, Patrick, et al. "Dynamic Object Aware LiDAR SLAM based on Automatic Generation of Training Data."2021 IEEE International Conference on Robotics and Automation (ICRA), 2021.

在線實時的過濾算法，蘇黎世理工出品，必屬精品

【3】PRBonn (no date) PRBonn/LIDAR-MOS: (LMNet) moving object segmentation in 3D LIDAR DATA: A learning-based approach exploiting sequential data (RAL/IROS 2021), GitHub. Available at: https://github.com/PRBonn/LiDAR-MOS (Accessed: 22 August 2023).

在線實時的過濾算法，新晉動態(tài)障礙物濾除算法，近期熱度很高

【4】G. Kim and A. Kim, “Remove, then revert: Static point cloud map construction using multiresolution range images,” in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020.

離線后處理的過濾算法，應該是2020年熱度最高的動態(tài)障礙物濾除算法了，理論好理解，代碼移植容易，且還可以深度開發(fā)用于life-long slam。詳細論文的解析可見：https://zhuanlan.zhihu.com/p/491271775

【5】F. Pomerleau, P. Krusi, F. Colas, P. Furgale, and R. Siegwart, “Long-term 3d map maintenance in dynamic environments,” in 2014 IEEE International Conference on Robotics and Automation (ICRA), 2014.

離線后處理的過濾算法，與REMOVERT一致的地方在于也是可以深度開發(fā)用于life-long slam。這里也推薦「3D視覺工坊」新課程《面向自動駕駛領域的3D點云目標檢測全棧學習路線！(單模態(tài)+多模態(tài)/數(shù)據(jù)+代碼)》。

【6】J. Schauer and A. Nuchter, “The peopleremover—removing dynamic objects from 3-d point cloud data by traversing a voxel occupancy grid,” IEEE robotics and automation letters (RAL), 2018.

離線后處理的過濾算法，經(jīng)典中的經(jīng)典，考慮的細節(jié)很多，開源代碼的工程實現(xiàn)也很值得學習。

【7】cartographer中2D、3D概率占柵格地圖中的更新和維護方式，傳統(tǒng)且穩(wěn)定，簡單且優(yōu)質，強推，值得學習。可以在線處理也可以離線后處理的過濾算法。

不論實時地、在線的動態(tài)障礙物過濾還是離線的動態(tài)障礙物過濾，背后的研究因素是因為權衡了實時性和算法質量，兩者之間存在一個trade off，每一位研究學者期待的都是高效且準確地的動態(tài)障礙物濾除算法。

一方面，基于可見性的動態(tài)障礙物濾除算法，可以發(fā)現(xiàn)相關論文里使用的數(shù)據(jù)集和處理方式必須保證稀疏性，否則在實際操作中對大地圖（百萬級別的點云地圖）處理的計算消耗很大，運行效率很低。其主要原因是在于基于可見性的算法，需要在每一次遍歷過程中將query point map和global point map進行視角的坐標轉換，當global point map的點云數(shù)量超過百萬級別時，其坐標轉換的消耗就會十分明顯，導致算法的使用體驗變差。再者，基于可見性的方案中，往往需要進行點云到range image的數(shù)據(jù)格式變換，但range image又存在特別依賴分辨率和位姿精度，位姿估計不準了，點云分辨率低了，其識別動態(tài)點云的效果退化就嚴重了。

另一方面，基于柵格的動態(tài)障礙物濾除算法，柵格結合ray casting算法在理論不存在大的問題，但是在一些空曠區(qū)域激光光束沒有return的信息，導致無法進行ray-casting來更新柵格里的概率值，但如果加大miss range的casting，其計算量又會大幅上升，導致最終的效果變差。

除此之外，基于可見性和基于柵格的動態(tài)障礙物濾除算法的過程中，遺留的問題在于：在建圖時過程中，若操作人員（動態(tài)障礙物）跟著機器一直往前走的話，那基于ray casting或者visibility based模式去刪除動態(tài)障礙物的話效果很差，因為相當于進入了上文中提到的“靜態(tài)點不可見”的問題，同時基于可見性和基于柵格的局限性是由于算法設計時的物理前提所決定的，所以我認為根本解決不了。目前的思路是，基于學習的動態(tài)障礙物去除方法的局限性跟基于可見性和基于柵格的局限性不一樣，結合基于deep-learning based聚類方法來處理基于可見性和基于柵格的動態(tài)障礙物濾除算法“誤殺問題”和“靜態(tài)點不可見”的問題，同時利用基于可見性或柵格的算法補充基于deep-learning based聚類方法的不足。

圖：基于可見性和基于聚類的動態(tài)障礙物濾除算法的結合使用