[논문 리뷰] 3D Surface Reconstruction from Voxel-based Lidar Data

Luis Roldão, Raoul de Charette외 1명|arXiv (Cornell University)|2019. 06. 25.

Robotics and Sensor-Based Localization참고 문헌 30인용 수 21

한 줄 요약

이 논문은 적응형 근접핵과 가우시안 신뢰도 추정을 사용한 TSDF 복셀 표현을 통해 이질적인 밀도를 가진 라이다 데이터로부터 3D 표면 재구성 방법을 제안한다. 국소 평면 표면 근사와 신뢰도 인식 근접 선택을 활용함으로써, IMLS보다 더 높은 재구성 정확도를 달성하면서도 센서 근처에서 충분한 메쉬 밀도를 유지하며, CARLA 및 KITTI 데이터셋에서 최신 기술을 초월한다.

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.

연구 동기 및 목표

• 노이즈가 많고 흐릿하게 샘플링된, 이질적인 밀도를 가진 라이다 포인트 클라우드로부터 정확한 3D 표면을 재구성하는 도전 과제를 해결한다.
• 특히 센서 근처에서 메쉬 정확도와 밀도 사이의 균형을 향상시킨다.
• 도시 및 오프로드 환경과 같은 복잡한 실제 환경에서도 견고한 재구성을 가능하게 한다.
• 지형 이동 가능성 및 물리적 모델링 작업에 적합한 연속적이고 암묵적인 표면 표현을 제공한다.
• 기존 방법들이 낮은 밀도 영역에서 표면을 과도하게 부드럽게 하거나 과도하게 연장하는 한계를 극복한다.

제안 방법

• 입력 라이다 포인트 클라우드를 정규 복셀 격자로 표현하며, 각 복셀에 평균, 공분산, 포인트 수와 같은 통계치를 저장한다.
• 국소 평면 표면 근사를 적응형 근접 영역 내에서 적용하여 표면 기하학을 견고하게 모델링한다.
• 가우시안 분포 통계치 기반 신뢰도 임계값을 충족하는 가장 작은 근접 영역을 동적으로 선택하는 적응형 근접핵을 적용한다.
• 국소 표면 추정의 신뢰성을 평가하고 낮은 신뢰도 영역에서의 과도한 연장 방지를 위해 가우시안 신뢰도 지표(식 3)를 도입한다.
• 신뢰도 가중 국소 평면에서 截斷된 부호 거리 필드(TSDF)를 구성하여 매끄럽고 연속적인 표면 표현을 확보한다.
• TSDF의 영점 교차를 기반으로 마arching cubes 알고리즘을 통해 최종 삼각형 메쉬를 추출한다.

실험 결과

연구 질문

• RQ1 라이다 데이터의 이질적 포인트 밀도에 대응하여 국소 표면 근사는 어떻게 견고하게 만들 수 있는가?
• RQ2 고정 또는 일정한 근접 영역 대비 적응형 근접 전략이 재구성 정확도와 밀도에 얼마나 기여하는가?
• RQ3 신뢰도 기반 가우시안 지표가 낮은 신호 영역에서 표면 과도 확장과 아티팩트 생성을 효과적으로 방지할 수 있는가?
• RQ4 제안된 방법은 합성 및 실제 라이다 데이터에서 IMLS와 같은 최신 기술 대비 정확도와 밀도 측면에서 어떻게 비교되는가?
• RQ5 메쉬의 세부 사항을 센서 근처에서 유지하면서도 흐릿한 영역에서 노이즈와 아티팩트를 줄일 수 있는가?

주요 결과

• 제안된 방법은 CARLA 데이터셋에서 대칭 하우스도르프 거리 (AEsym)를 0.14m로 달성하여 IMLS(0.23m)를 크게 앞서며 성능을 뛰어나게 한다.
• 30m 거리에서 제안된 방법의 평균 재구성 오차는 약 0.2m이며, IMLS의 약 0.35m에 비해 오차가 50% 감소한 것으로 나타났다.
• 재구성된 메쉬의 약 80% 정점에서 오차가 0.2m 이하였으며, IMLS의 경우 뿐만 40%에 그쳐 정점 수준의 정확도가 뛰어나다는 것을 입증한다.
• 메쉬가 더 흐릿하게 생성됨에도 불구하고, 아티팩트 수를 줄이고 표면 연장을 방지하며, 특히 가로등 기둥, 표지판, 벽과 같은 요소에서 정성적 비교에서 뚜렷하게 드러난다.
• 적응형 근접성과 가우시안 신뢰도(AN+GC)의 조합이 가장 우수한 균형을 이룬다: 일정한 근접성 또는 신뢰도 전용 접근 방식보다 더 높은 정확도(P→GT)와 더 나은 밀도(GT→P)를 달성한다.
• KITTI 데이터셋에서 제안된 방법은 구조적 정밀도를 유지하며 과도한 부드러움이나 과도한 연장 현상을 방지하여 실제 데이터에서의 견고성을 확인한다.