[論文レビュー] 3D Point Cloud Processing and Learning for Autonomous Driving

Siheng Chen, Baoan Liu+3 more|arXiv (Cornell University)|Mar 1, 2020

Remote Sensing and LiDAR Applications参考文献 103被引用数 34

ひとこと要約

自動運転における LiDAR のための 3D 点群処理と学習の調査。表現、ツール、および HD マップ作成、位置推定、認識におけるモジュール固有の適用を網羅する。

ABSTRACT

We present a review of 3D point cloud processing and learning for autonomous driving. As one of the most important sensors in autonomous vehicles, light detection and ranging (LiDAR) sensors collect 3D point clouds that precisely record the external surfaces of objects and scenes. The tools for 3D point cloud processing and learning are critical to the map creation, localization, and perception modules in an autonomous vehicle. While much attention has been paid to data collected from cameras, such as images and videos, an increasing number of researchers have recognized the importance and significance of LiDAR in autonomous driving and have proposed processing and learning algorithms to exploit 3D point clouds. We review the recent progress in this research area and summarize what has been tried and what is needed for practical and safe autonomous vehicles. We also offer perspectives on open issues that are needed to be solved in the future.

研究の動機と目的

• 自動運転における LiDAR ベースの 3D 点群処理の重要性を動機づける。
• 自動運転車（AV）システムにおける 3D 点群の性質、表現、ツールを要約する。
• HDマップ作成、位置推定、認識モジュールのための 3D 点群処理をレビューする。
• 実用的で安全な自動運転車における未解決の課題と今後の方向性を明らかにする。

提案手法

• リアルタイムの LiDAR スイープと点群マップ、およびそれらの AV システムにおける役割を説明する。
• 3D データの生点、ボクセル、レンジビュー、BEV 表現を比較する。
• 3D 点群に対する CNN ベースおよび PointNet 風の学習手法を調査する。
• HDマップ作成、位置推定、認識のモジュール固有の処理について論じる。

実験結果

リサーチクエスチョン

• RQ1 自動運転における 3D 点群の主要な性質と表現は何か？
• RQ2 3D 点群処理と学習はどのように HDマップ作成、位置推定、認識を支援するか？
• RQ3 LiDAR データを用いた実用的な自動運転の開かれた課題と今後の方向性は何か？

主な発見

• LiDAR は AV の位置推定と認識にとって不可欠な正確な 3D 幾何を提供する。
• 複数の表現（生点、ボクセル、レンジビュー、BEV）は、細部、メモリ、2D 手法との適合性の間でトレードオフを提供する。
• PointNet および CNN ベースの手法は、それぞれ無秩序な点群と離散化された点群からの学習を可能にする。
• HDマップ作成とマップベースの位置推定は、スキャンを整列させ意味特徴を抽出するための 3D点群処理に大きく依存する。
• 認識の向上は、3D物体検出と意味特徴によって自動運転の安全性と信頼性を高める。