[論文レビュー] 3D Surface Reconstruction from Voxel-based Lidar Data

Luis Roldão, Raoul de Charette+1 more|arXiv (Cornell University)|Jun 25, 2019

Robotics and Sensor-Based Localization参考文献 30被引用数 21

ひとこと要約

本稿では、適応的近傍カーネルとガウス尤度推定を用いたTSDFボクセル表現を用いて、不均一な密度のLiDARデータからの3次元表面再構成手法を提案する。局所的な平面的表面近似と尤度を考慮した近傍選択を活用することで、IMLSを上回る再構成精度を達成するとともに、センサに近い領域でも十分なメッシュ密度を維持し、CARLAおよびKITTIデータセットの両方で最先端の手法を上回る性能を発揮する。

ABSTRACT

To achieve fully autonomous navigation, vehicles need to compute an accurate model of their direct surrounding. In this paper, a 3D surface reconstruction algorithm from heterogeneous density 3D data is presented. The proposed method is based on a TSDF voxel-based representation, where an adaptive neighborhood kernel sourced on a Gaussian confidence evaluation is introduced. This enables to keep a good trade-off between the density of the reconstructed mesh and its accuracy. Experimental evaluations carried on both synthetic (CARLA) and real (KITTI) 3D data show a good performance compared to a state of the art method used for surface reconstruction.

研究の動機と目的

• ノイズが強く、疎にサンプリングされた、かつ不均一な密度のLiDAR点群から正確な3次元表面を再構成する課題に対処すること。
• 特にセンサに近い領域において、メッシュの精度と密度のトレードオフを改善すること。
• 都市部やオフロードシーンを含む複雑な現実世界環境でも、頑健な再構成を可能にすること。
• 地形の走破可能性評価や物理モデリングタスクに適した連続的で暗黙的な表面表現を提供すること。
• 既存手法が低密度領域で表面を過剰に平滑化または拡張するという限界を克服すること。

提案手法

• 入力LiDAR点群を均一なボクセルグリッドで表現し、各ボクセルに平均値、共分散、点数といった統計量を格納する。
• 適応的近傍内での局所的平面的表面近似を用いて、表面幾何の堅牢なモデル化を実現する。
• ガウス分布統計に基づく信頼性の閾値を満たす最小の近傍を選択する動的適応的近傍カーネルを適用する。
• 式(3)に示すガウス尤度指標（Eq. 3）を導入し、局所的表面推定の信頼性を評価し、低尤度領域での表面の過剰拡張を防止する。
• 尤度重み付き局所平面から切り出されたTruncated Signed Distance Field（TSDF）を用いて、滑らかで連続的な表面表現を保証する。
• TSDFのゼロクロージングからマーチング・キューブス法を用いて最終的な三角メッシュを抽出する。

実験結果

リサーチクエスチョン

• RQ1 LiDARデータにおける不均一な点密度に起因する局所的表面近似を、どのようにして頑健に保てるか？
• RQ2 固定または一定の近傍と比較して、適応的近傍戦略が再構成精度と密度をどの程度向上させるか？
• RQ3 尤度に基づくガウス指標は、低信号領域における表面の過剰拡張やアーティファクト発生を効果的に防止できるか？
• RQ4 合成および実世界のLiDARデータにおいて、IMLSなどの最先端手法と比較して、本手法の精度と密度はどの程度優れているか？
• RQ5 本手法は、センサに近い領域で高解像度を維持しながら、疎な領域におけるノイズとアーティファクトを低減できるか？

主な発見

• 本手法はCARLAデータセットで対称的ハウスドルフ距離（AEsym）を0.14mに達成し、IMLS（0.23m）を顕著に上回った。
• 30mの距離において、本手法の平均再構成誤差は約0.2mであったのに対し、IMLSは約0.35mであり、誤差は50％削減された。
• 再構成メッシュの約80％の頂点が0.2m未満の誤差を示したが、IMLSではその割合は40％にとどまった。これは頂点レベルの精度が顕著に優れていることを示している。
• メッシュがやや疎であるにもかかわらず、本手法はアーティファクトを生成せず、特に電柱、看板、壁の周辺で表面の拡張を回避していることが定性的な比較で顕著に確認された。
• 適応的近傍とガウス尤度（AN+GC）の組み合わせが最良のバランスを実現しており、定常近傍や尤度のみのアプローチと比較して、より高い精度（低いP→GT）とより良い密度（低いGT→P）を達成した。
• KITTIデータセットでも、構造の忠実性を維持し、過剰な平滑化や過剰拡張を回避しており、実世界データにおける本手法の頑健性が裏付けられた。