激光雷达点云处理（激光雷达点云数据处理教程）

记者：自动驾驶车辆需要准确感知和了解周围环境。与二维视觉感知相比，三维视觉感知提供了更多的信息和更准确的空间建模能力。点云配准是三维视觉感知的基本问题，在自动驾驶的地图和定位中发挥着重要作用。基于特征匹配的配准算法是点云配准领域的核心框架之一。主要基于特征相似度求解匹配点对，并与鲁棒匹配算法相结合，得到最终的配准结果。这个框架更适合自动驾驶。但大规模、复杂的点云场景也对点云配准算法的效率和准确性提出了更高的要求。基于这个问题，作者提出了一种稀疏到密集的匹配网络SDMNet，在配准精度和效率之间取得了很好的平衡。它在KITTIOdometry、NuScenes和Apollo-SouthBay数据集上达到了目前的最优性能，并取得了与稀疏匹配算法相当的计算效率。

摘要：点云配准是三维视觉领域的基本问题之一。其目标是估计两个给定帧点云的相对姿态变换。以往基于学习的激光雷达点云配准方法可分为稀疏匹配（Sparse-to-Sparse）和密集匹配（Dense-to-Dense）两种方案。然而，对于大规模室外LiDAR点云，求解密集点对应关系非常耗时，而稀疏关键点匹配很容易受到关键点检测错误的影响。基于上述考虑，我们提出了SDMNet，一种用于大规模室外点云配准的新型稀疏到密集关键点匹配网络。本文将特征匹配分为两个阶段，即稀疏匹配和局部密集匹配。在稀疏匹配阶段，从源点云中采样一组稀疏点，然后使用软匹配网络和鲁棒的异常值过滤模块与密集目标点云进行匹配。此外，本文采用了一种基于最优传输的新型邻域匹配模块，增强了特征的邻域一致性，显着提高了性能。在局部密集匹配阶段，通过对高置信度稀疏对应点对的局部空间邻域内的点进行匹配，有效地获得密集对应关系。本文在三个大型室外激光雷达点云数据集上进行了大量实验，证明本文提出的SDMNet以高效率实现了最高精度。

一、简介

点云配准旨在估计对齐两个点云的最佳刚性变换。作为3D计算机视觉中的一项基本任务，点云配准已被应用于各种实际应用中，包括自动驾驶[1]、智能机器人[2]、虚拟现实[3]等。随着深度学习的发展，学习-基于的方法在点云配准方面取得了显着的性能。早期基于位姿变换端到端估计的方法[4][5]主要关注对象级点云，并对两个点云之间的分布和对应关系做出强烈的假设，这对于复杂的用户来说是困难的任务。分布式大规模点云缺乏可扩展性。最近基于学习的大规模激光雷达点云配准方法遵循特征提取和鲁棒特征匹配的框架，可以分为两类：密集匹配和稀疏匹配。如图1（a）所示，密集匹配方法[6][7]首先利用预先计算的描述符来构建潜在的密集对应关系，然后利用异常值排除方法来消除错误的对应关系。然而，对于大规模点云，解决密集的匹配关系是相当耗时的。为了解决计算问题，如图1（b）所示，稀疏点云的匹配方法首先检测关键点，然后仅在稀疏点云中进行匹配。允许。然而，关键点检测并不总是完美的。有限的关键点重复特征导致一个点在另一帧中丢失其匹配点的风险很高。此外，关键点检测错误还会导致已匹配的关键点出现有害偏差，降低配准的准确性。

图1 点云配准的不同匹配方案。绿线：正确的点对点对应。红线：异常值的对应。我们用蓝色和黄色点来表示已使用的源点和目标点，用浅蓝色和浅黄色点来表示某种方案中未使用的点。

为了解决上述问题，我们提出了SDMNet，一种新的大规模室外点云从稀疏到密集的配准方法。稀疏到密集的匹配方案如图1(c)所示。具体来说，我们将配准问题分为两个阶段，即稀疏匹配阶段和局部密集匹配阶段。在稀疏匹配阶段，给出待对齐的源点云和目标点云。我们首先使用最远点采样（FPS）[9]算法从中采样一组稀疏点。然后，我们设计一个软匹配网络来预测采样源点的虚拟对应目标点，其中引入空间一致性特征以提高可靠性。此外，我们设计了一个新的损失函数，概率距离损失，用于对软匹配网络的额外监督。然后，我们使用结合SCNonlocal [7] 和PointCN [10] 的基于学习的模型来消除稀疏匹配关系中的异常值。为了增强邻域一致性，我们使用了一种新的邻域匹配模块，该模块利用基于最优传输的方法进行局部邻域匹配，显着提高了性能。在局部密集匹配阶段，我们在高置信度稀疏对应点的局部空间邻域中进行点匹配。例如，给定两个稀疏对应点和，我们只搜索这两个点的邻域点之间的密集对应关系，这比在全局空间中执行密集匹配更有效。另外，可以直接从前面的邻域匹配模块中获取邻域对应关系，进一步降低了成本。我们使用一个简单的OA-Net [11] 模块进行密集对应过滤。

与稀疏到稀疏匹配方案相比，通过保持目标点云的密度，我们降低了源点丢失对应点的风险，并避免了由于关键点检测错误而导致的性能下降。与密集匹配方案相比，我们比较了特征

更好地展示。根据定性结果，稀疏匹配阶段可以生成可靠的稀疏对应关系，这些对应关系在局部密集匹配阶段进一步稠密化。图7的最后一列显示了配准结果，表明估计的变换可以准确地对齐两个点云。 图7 SDMNet的定性可视化。每一行显示一个定性配准结果样本。为了更好地可视化过滤了置信度低于阈值的对应点。蓝色点为源点云，黄色点为目标点云。绿色线为估计的对应关系。 Ⅴ 结论 本文提出了一种基于学习的室外激光雷达点云配准方法，称为SDMNet。该方法采用了一种新的稀疏到稠密匹配方案，很好地结合了稠密匹配的细粒度信息和稀疏匹配的高效性。此外，我们引入了基于最优输运的邻域匹配模块，将邻域一致性融入匹配流程中，显著提高了配准性能。通过对三个大规模室外激光雷达点云数据集进行大量实验，验证了所提方法的准确性、鲁棒性和效率。此外，我们还进行了丰富的消融研究，详细分析了所提出的SDMNet不同组件和参数的影响。 审核编辑 ：李倩