点云PCL免费知识星球，点云论文快读。
文章：Real-Time LIDAR-Based Urban Road and Sidewalk Detection for Autonomous Vehicles
作者：Ern?o Horváth , Claudiu Pozna ,and Miklós Unger
编译：点云PCL
代码：
https://github.com/jkk-research/urban_road_filter
欢迎加入免费知识星球获取PDF欢迎转发朋友圈。文章只是学术分享，如有侵权，请联系删除。未经博主同意，请勿擅自转载。
论文阅读模块将共享点云处理，SLAM，与三维视觉和高精度地图相关的文章。官方账户致力于了解三维视觉领域的干货共享。欢迎加入我。我们每天阅读一篇文章，开始分享之旅。如果您感兴趣，请联系微信dianyunpcl@163.com。
摘要
在自动驾驶领域，城市场景中的道路和人行道检测是一项具有挑战性的任务。传统的可行驶空间和地面滤波算法对较小的高差不够敏感。基于摄像头或传感器集成的解决方案被广泛用于区分可行道路和人行道或道路区域的检测。激光雷达传感器包含所有可提取特征的必要信息。因此，本文主要研究激光雷达的特征提取，本文提出了一种实时的道路和人行道检测(20Hz ）该解决方案也可用于局部路径规划。人行道边缘检测是三种并行算法的结合。为了验证结果，我们实际上使用了标准基准数据集KITTI以及我们的自采数据集，代码在GitHub中开源：
https://github.com/jkk-research/urban_road_filter。
主要内容
本文的解决方案使用三种不同的方法来找到人行道。值得一提的是，输出不仅包括道路和分区的点云，还包括易于处理的简化向量。这种输出对路径规划等其他算法非常有用，因为它是道路更简单的表达。作为城市道路和人行道环境的模型，你可以想象扭曲的平坦地图和稍微不均匀的人行道（见图1），从鸟瞰的角度来看，道路和人行道可以有多种形式，上述特点和简化数据如图1所示，假设激光雷达传感器位于道路上方，城市道路和人行道环境模型如图1所示，道路是绿色的，人行道是红色的。
提出的解决方案是经公布了源代码，称为urban_road_filter，（期待在自动驾驶领域与我沟通）解决方案的输入是一个普通的激光雷达数据流，没有摄像头或任何额外的传感器数据，输出是道路和人行道的三维元素点云和道路的二维多边形描述，该解决方案包括三种人行道检测方法(星形搜索方法)X-zero和Y-zero基于二维多边形的道路提取方法)、道路检测方法。
星形搜索是人行道边缘的检测方法，X-zero和Z-zero方法的组合，所有方法都有相同的目的，但它们的工作原理不同，最终结果是这些方法输出的逻辑结果，值得注意的是，上述方法并行运行，假阳性路缘可能出现在实际路缘后面，路缘是路缘与路之间的边界元素，假阳性路缘在路缘后面创建，例如，来自各种缺陷的体素与3相似D例如，工件可以是一个公共长凳，突出人行道，就像道路沿线，会导致错误识别，最终多边形是在道路和第一个路缘之间，这意味着未来的路缘不会影响最终结果，这种现象不会对方法产生负面影响，因为假阳性元素永远不会出现在道路上。
该方法将点云划分为矩形段，这些形状的组合像一颗星；这就是名字的来源，从每个路段提取可能的人行道起点，其中创建的算法对基于Z坐标的高度变化不敏感，这意味着在实践中，即使当激光雷达相对于路面平面倾斜时，该算法也会表现良好，在柱坐标系中处理点云（参见图2）
图3 剪切框(长方体)表示扫描点云，长方体顶点为8点P1.2.3表示；2.4 它的方向和位置随着增量旋转和平移而迭代变化。更准确地说，对于每个人来说，bk和k=1，nk旋转时，长方体沿D方向平移ni连续增量。图3显示了图4中使用的对称平面，以便更容易理解提出的算法。π，图4显示了切割盒的侧视图。
star-shaped搜索方法算法示意图(具体步骤)https://t.zsxq.com/QjUbq3B）
X-Zero方法
X-zero和Z-zero避免测量的X和Z重量人行道，X-zero和Z-zero激光雷达必须与路面平面不平行，这是上述两种算法和整个城市道路滤波方法的已知局限性。X-zero该方法去除了X方向的值，用柱坐标代替，见图6。该方法通过环（通道）迭代，并在元素上定义三角形。
Z-Zero该方法的主要区别在于基于滑动窗口的方法（默认情况 5体素)将角度计算为矢量方向。具体步骤不再在这里展开。
随着人行道的检测，我们的算法还提供了一个多边形，即检测到的道路矢量输出，可以直接用于路径规划。该算法区分了两种道路边界：人行道，包括障碍物周围的边界（红色条纹标记在图8上）
微调解决方案中可以使用多个参数，尽管即使是默认值也会产生足够的结果，下表1中列出的参数。一个重要的参数是激光雷达的主题及其帧名。重要的是要知道该算法适用于多种方法，可以使用多个参数设置检查区域的大小，并对该区域感兴趣（ROI）可以通过x_方向参数、最小和最大x、y设置和z参数。x_方向参数可能有三个不同的值：负值、正值和两个值，表示感兴趣的区域是在x轴上激光雷达的面，前面还是双向相关。
实验
对提出的方法进行了广泛的实时数据分析和实验。图9显示了三幅图像，以更直观地解释我们的结果。第一幅图像显示了绿色元素和红色元素的道路。虽然假阳性人行道点云可见，但不会影响整体性能，20 Hz和30 km/h此外，以准确的速度收集结果RTK GPS为了获得更容易理解的结果，位置与激光雷达数据相关，图9中的第二幅图像显示了无人机图像和我们的结果的叠加，而第三幅图像只显示了从上面看的试验场。
总结
本文介绍了一种新的道路和人行道检测方法，人行道沿线检测为3D星形搜索引入体素，X-zero和Z-zero此外，该方法还提供多边形输出，可直接用于局部轨迹规划，通过广泛的实时现场测试和公共数据集的先前测量和离线分析，我们将我们的解决方案的结果与以前的结果进行了比较，这是有限的，X-zero和Z-zero算法要求激光雷达与路面平行。虽然这是一种常见的传感器设置，我们的车辆是这样配备的，但建议在一些特殊情况下以不同的方式设置。此外，我们的解决方案不适用于固态传感器配置。这种被称为固态技术的新型激光雷达在科学界引起了更高的兴趣。虽然这些传感器尚未完全商业化，但它们具有更高的使用寿命和低功耗。它们生成结构化的三维信息，但组织方式不同，进一步限制了算法的发挥，因此提出的方法不支持固态技术的3D数据。
3D目标检测MV3D-Net
三维点云分割综述（上）
3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）
win下使用QT添加VTK插件实现点云可视化GUI
JSNet：3D点云的联合实例和语义分割
大场景三维点云的语义分割综述
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
基于局部凹凸性进行目标分割
基于三维卷积神经网络的点云标记
点云的超体素(SuperVoxel)
基于超点图的大规模点云分割
更多文章可查看：点云学习历史文章大汇总
【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM
【点云论文速读】StructSLAM:结构化线特征SLAM
SLAM和AR综述
常用的3D深度相机
AR设备单目视觉惯导SLAM算法综述与评价
SLAM综述(4)激光与视觉融合SLAM
Kimera实时重建的语义SLAM系统
SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM
易扩展的SLAM框架-OpenVSLAM
高翔：非结构化道路激光SLAM中的挑战
SLAM综述之Lidar SLAM
基于鱼眼相机的SLAM方法介绍
扫描下方可查看最新研究成果及相关开源方案的演示：
如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！
以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除
扫描二维码
关注我们
让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。
分享及合作：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。
点一下“在看”你会更好看耶