[論文レビュー] DSOR: A Scalable Statistical Filter for Removing Falling Snow from LiDAR Point Clouds in Severe Winter Weather

Akhil Kurup, Jeremy P. Bos|arXiv (Cornell University)|Sep 15, 2021

Remote Sensing and LiDAR Applications被引用数 45

ひとこと要約

本論文は、Winter Adverse Driving dataSet (WADS) に密な点ごとのラベルを持つ厳しい冬の LiDAR データを導入し、Dynamic Statistical Outlier Removal (DSOR) フィルタを提案します。DSOR は recall と speed で最先端の snow de-noising を上回り、より良いスケーラビリティを実現します。

ABSTRACT

For autonomous vehicles to viably replace human drivers they must contend with inclement weather. Falling rain and snow introduce noise in LiDAR returns resulting in both false positive and false negative object detections. In this article we introduce the Winter Adverse Driving dataSet (WADS) collected in the snow belt region of Michigan's Upper Peninsula. WADS is the first multi-modal dataset featuring dense point-wise labeled sequential LiDAR scans collected in severe winter weather; weather that would cause an experienced driver to alter their driving behavior. We have labelled and will make available over 7 GB or 3.6 billion labelled LiDAR points out of over 26 TB of total LiDAR and camera data collected. We also present the Dynamic Statistical Outlier Removal (DSOR) filter, a statistical PCL-based filter capable or removing snow with a higher recall than the state of the art snow de-noising filter while being 28\\% faster. Further, the DSOR filter is shown to have a lower time complexity compared to the state of the art resulting in an improved scalability. Our labeled dataset and DSOR filter will be made available at https://bitbucket.org/autonomymtu/dsor_filter

研究の動機と目的

• 降雪時の厳しい冬季天候下での自動運転知覚の堅牢性を動機づける。
• 点ごとのラベルと雪特有のクラスを備えた密にアノテーションされた冬季 LiDAR データセット (WADS) を提供する。
• LiDAR 点群のための動的でスケーラブルな雪ノイズ除去フィルタ (DSOR) を開発・検証する。
• recall、precision、speed の観点で既存フィルタ (SOR、DROR) との比較を行う。
• より大きく高密度な LiDAR 設定に対する DSOR のスケーラビリティを実証する。

提案手法

• PCL の Statistical Outlier Removal (SOR) を、距離ベースの動的閾値を組み込んで DSOR に拡張する。
• k最近傍距離からグローバル閾値を計算し、距離に比例してスケールされる動的閾値を適用する（T_d = T_g * r * distance）。
• 隣接点距離の平均と標準偏差を用いた効率的な最近傍探索 (k-NN) のために k-d 木を使用する。
• 雪現象を捉えるため、active-snow や accumulated-snow を含む22クラスをラベル付けして提供する。
• 積雪のひどい条件下での LiDAR スキャン列に対して recall、precision、実行時間を評価する。

実験結果

リサーチクエスチョン

• RQ1 DSOR は、厳しい冬の LiDAR データにおいて降雪を効果的に除去しつつ、環境特徴を保持できるか？
• RQ2 重い降雪下で、DSOR は最先端の DROR フィルタと比較してリコールの改善と処理の高速化を実現するか？
• RQ3 LiDAR の点密度の増加とより大きな点群に対して DSOR はどのようにスケールするか？
• RQ4 難条件下での知覚システムの訓練と評価において WADS データセットはどのような価値を提供するか？

主な発見

• DSOR は雪除去において DROR (91.9%) より高いリコール (95.6%) を達成。
• DSOR は 65.1% の精度を達成し、DROR の 71.5% に対して、特定の範囲で DSOR がより多くの非雪ポイントを除去することを示す。
• 近距離域（20 m 内）で DSOR は DROR より多くの雪を除去し、様々なレンジで SOR および DROR より全体的に多くの特徴を保持する。
• DSOR は平均で DROR より約28% 速い（369.68 ms 対 510.55 ms/点群）。
• DSOR は時間計算量が O(N log N) と DROR の概ね O(N^(2/3)) より低く、大規模な点群に対してより良くスケールする。