[論文レビュー] Lisco: A Continuous Approach in LiDAR Point-cloud Clustering

Hannaneh Najdataei, Yiannis Nikolakopoulos+2 more|arXiv (Cornell University)|Nov 6, 2017

Remote Sensing and LiDAR Applications参考文献 19被引用数 4

ひとこと要約

Lisco は、LiDAR ポイントクラウドのための単一パスで連続的なユークリッド距離に基づくクラスタリング手法であり、LiDAR データに内在する角度および回転方向の順序を利用することで、ソート構造を必要とせずに細粒度のパイプライン処理を可能にする。PCL をベースとしたベースラインと比較して最大 3 倍の高速化を達成し、自律走行車などのサイバーフィジカルシステムにおけるリアルタイムでストリーミング可能なクラスタリングを実現する。

ABSTRACT

The light detection and ranging (LiDAR) technology allows to sense surrounding objects with fine-grained resolution in a large areas. Their data (aka point clouds), generated continuously at very high rates, can provide information to support automated functionality in cyberphysical systems. Clustering of point clouds is a key problem to extract this type of information. Methods for solving the problem in a continuous fashion can facilitate improved processing in e.g. fog architectures, allowing continuous, streaming processing of data close to the sources. We propose Lisco, a single-pass continuous Euclidean-distance-based clustering of LiDAR point clouds, that maximizes the granularity of the data processing pipeline. Besides its algorithmic analysis, we provide a thorough experimental evaluation and highlight its up to 3x improvements and its scalability benefits compared to the baseline, using both real-world datasets as well as synthetic ones to fully explore the worst-cases.

研究の動機と目的

• 既存手法におけるバッチ処理およびソート依存性に起因する LiDAR ポイントクラウドのクラスタリングにおける性能ボトルネックを解消すること。
• サイバーフィジカルシステムにおけるリアルタイム応用を想定したストリーミング LiDAR データ処理において、細粒度のパイプライン処理を可能にすること。
• kd-ツリー やオクソトリーなどの補助データ構造に依存せずに、LiDAR データの自然な順序を活用することで、処理スループットを最大化するクラスタリングアルゴリズムを設計すること。
• 提案手法を実世界および合成データセット上で評価し、性能、スケーラビリティ、および極端な条件下でのロバストネスを評価すること。

提案手法

• Lisco は、LiDAR センサのスキャンパターンに起因して、データストリームにおける連続する点が空間的に近接していることを利用し、角度および回転方向の順序を活用して、直接的に近隣関係を推定する。
• アルゴリズムはサブクラスターヘッドを維持し、事前ソートやインデックス構造を必要とせずに、ユークリッド距離に基づいて入力点を既存のクラスタに動的に割り当てる。
• 連続的かつ単一パスの処理モデルを採用することで、サブクラスタを処理中のいつでもユーザーに提供可能となり、リアルタイムおよびストリーミングデプロイメントを支援する。
• データストリーム内の固有の空間局所性に依存することで、高コストな近隣照会を回避し、計算オーバーヘッドを低減する。
• Lisco はクラスターヘッドを動的に管理し、必要に応じてのみ近接するクラスタをマージすることで、余分な処理を最小限に抑える。
• アルゴリズムはプロトタイプとして実装され、広く使われている PCL ユーオクリッドクラスタリング手法をベースラインとして評価された。

実験結果

リサーチクエスチョン

• RQ1 LiDAR ポイントクラウドのための連続的かつ単一パスのクラスタリング手法は、ソートやインデックス構造を必要とせずに、高い正確性を維持しつつ実現可能か？
• RQ2 Lisco の性能は、最先端の PCL ベースのユークリッドクラスタリング手法と比較して、速度およびスケーラビリティの面でどのように異なるか？
• RQ3 LiDAR データの固有の角度および回転方向の順序をどの程度活用して、ストリーミングデータ処理における細粒度のパイプライン処理を実現できるか？
• RQ4 点の分布が極めて不均一であるか、データレートが極端に高いような極端な状況下でも、Lisco はどのように動作するか？
• RQ5 連続的な LiDAR クラスタリングパイプラインにおいて、クラスタリングの正確性、処理遅延、スループットの間にはどのようなトレードオフが生じるか？

主な発見

• Lisco は、実世界および合成データセットの両方において、PCL ベースのベースラインと比較して最大 3 倍の処理速度向上を達成した。
• 単一パスでパイプライン化されたアーキテクチャのおかげで、特に高レートのストリーミング環境において顕著なスケーラビリティの利点を示した。
• LiDAR データの自然な順序を活用することで、kd-ツリーなどのソートやインデックス構造を排除し、前処理のオーバーヘッドを低減した。
• 継続的な出力が可能であり、処理中いつでもサブクラスタをユーザーに提供可能であり、これはリアルタイム応用にとって不可欠である。
• 包括的な合成された極端な状況テストを通じて、Lisco は非均一な点分布でさえも高いクラスタリング正確性を維持していることが確認された。
• 評価結果から、Lisco の性能は、点密度や物体距離の変動があるさまざまな LiDAR データ特性に対してもロバストであることが確認された。