[논문 리뷰] 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)|2021. 09. 15.

Remote Sensing and LiDAR Applications인용 수 45

한 줄 요약

본 논문은 심한 겨울 LiDAR 데이터에 대해 밀집한 포인트 단위 라벨을 갖는 Winter Adverse Driving dataSet (WADS)을 소개하고, PCL 기반의 Dynamic Statistical Outlier Removal (DSOR) 필터를 제안한다. DSOR은 재현율(recall)과 속도 면에서 최첨단 눈 제거(denoising)보다 우수하고, 확장성도 더 좋다.

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

연구 동기 및 목표

• 난설이 내리는 심한 겨울 날씨 하에서 자율주행 인지의 견고성을 촉진한다.
• 포인트 단위 라벨과 눈 특화 클래스를 포함한 밀집하게 주석된 겨울 LiDAR 데이터셋(WADS)을 제공한다.
• LiDAR 포인트 클라우드용 동적이고 확장 가능한 눈 제거 필터(DSOR)를 개발하고 검증한다.
• 재현율, 정밀도, 및 속도 측면에서 DSOR을 기존 필터(SOR, DROR)와 비교한다.
• 더 크고 밀도가 높은 LiDAR 시스템에 대한 DSOR의 확장 가능성을 입증한다.

제안 방법

• 범위 기반 동적 임계치를 도입하여 PCL의 Statistical Outlier Removal (SOR)을 DSOR로 확장한다.
• k-최근접 이웃 거리에서 글로벌 임계치를 계산한 다음, 거리로 스케일링된 동적 임계치를 적용한다 (T_d = T_g * r * distance).
• 효율적인 최근접 이웃 탐색(k-NN)을 위한 k-d 트리를 사용하여 이웃 거리의 평균 및 표준편차를 활용한다.
• 활성 눈(active-snow)과 누적 눈(accumulated-snow)을 포함하여 눈 현상을 포착하기 위한 22개 클래스를 라벨링한다.
• 강설 조건의 LiDAR 스캔 시퀀스에서 재현율, 정밀도 및 실행 시간을 평가한다.

실험 결과

연구 질문

• RQ1 DSOR이 심한 겨울 LiDAR 데이터에서 낙하 눈을 효과적으로 제거하면서 환경 특징을 보존할 수 있는가?
• RQ2 강설이 많은 조건에서 DSOR가 최첨단 DROR 필터에 비해 재현율이 개선되고 처리 속도가 빠른가?
• RQ3 LiDAR 포인트 밀도 증가 및 더 큰 포인트 클라우드에서 DSOR의 확장성은 어떠한가?
• RQ4 악조건에서 인지 시스템의 학습 및 평가를 위한 WADS 데이터셋이 어떤 가치를 제공하는가?

주요 결과

• DSOR은 눈 제거에서 재현율이 DROR(91.9%)보다 높은 95.6%를 달성한다.
• DSOR의 정밀도는 65.1%이고 DROR의 71.5%에 비해, 특정 거리 범위에서 더 많은 비눈 포인트가 DSOR에 의해 제거됨을 나타낸다.
• 근거리(20 m 이내)에서 DSOR은 DROR보다 더 많은 눈을 제거하고, 다양한 거리에서 SOR 및 DROR보다 더 많은 특징을 보존한다.
• DSOR는 DROR에 비해 평균적으로 약 28% 더 빠르며(포인트 클라우드당 369.68 ms 대 510.55 ms).
• DSOR은 시간 복잡도가 DROR의 대략적인 O(N^(2/3))보다 낮은 O(N log N)을 보이고, 더 큰 포인트 클라우드에서도 확장성이 더 좋다.