[論文レビュー] Patchwork++: Fast and Robust Ground Segmentation Solving Partial Under-Segmentation Using 3D Point Cloud

Seung Jae Lee, Hyungtae Lim+1 more|arXiv (Cornell University)|Jul 25, 2022

Remote Sensing and LiDAR Applications被引用数 7

ひとこと要約

Patchwork++ は、適応的グランドリクイズ推定 (A-GLE)、時間的グランドリバート (TGR)、領域別垂直平面フィッティング (R-VPF)、反射ノイズ除去 (RNR) を導入することで、複雑な都市環境における部分的未分割とグランドプレーン推定を効率的かつ堅牢に解決する学習不要のグランドセグメンテーション手法である。SemanticKITTI データセット上で 98.7% のリCALL と 99.4% のプレシジョンを達成し、最先端の性能を発揮するとともに、手動パラメータチューニングを削減し、従来手法よりも高速化している。

ABSTRACT

In the field of 3D perception using 3D LiDAR sensors, ground segmentation is an essential task for various purposes, such as traversable area detection and object recognition. Under these circumstances, several ground segmentation methods have been proposed. However, some limitations are still encountered. First, some ground segmentation methods require fine-tuning of parameters depending on the surroundings, which is excessively laborious and time-consuming. Moreover, even if the parameters are well adjusted, a partial under-segmentation problem can still emerge, which implies ground segmentation failures in some regions. Finally, ground segmentation methods typically fail to estimate an appropriate ground plane when the ground is above another structure, such as a retaining wall. To address these problems, we propose a robust ground segmentation method called Patchwork++, an extension of Patchwork. Patchwork++ exploits adaptive ground likelihood estimation (A-GLE) to calculate appropriate parameters adaptively based on the previous ground segmentation results. Moreover, temporal ground revert (TGR) alleviates a partial under-segmentation problem by using the temporary ground property. Also, region-wise vertical plane fitting (R-VPF) is introduced to segment the ground plane properly even if the ground is elevated with different layers. Finally, we present reflected noise removal (RNR) to eliminate virtual noise points efficiently based on the 3D LiDAR reflection model. We demonstrate the qualitative and quantitative evaluations using a SemanticKITTI dataset. Our code is available at https://github.com/url-kaist/patchwork-plusplus

研究の動機と目的

• 不整な地形や複雑な都市環境においてグランドプレーンが平面でない、あるいは構造物の上に浮いている場合に顕著な部分的未分割問題を解消すること。
• 過去のセグメンテーション結果に基づく環境に適応したパラメータ推定を可能にすることで、手動によるパラメータチューニングの必要性を低減すること。
• 擁壁など構造物の上にグランドが浮いているような状況において、領域別垂直平面フィッティングを用いてグランドプレーン推定を改善すること。
• 物理的反射モデルを用いたノイズ除去により仮想的ノイズポイントを除去し、セグメンテーションの正確性を向上させることで、耐障害性を強化すること。
• モバイルロボットや自律走行システムへの実装を想定し、高速性とリアルタイム性を維持すること。

提案手法

• 適応的グランドリクイズ推定 (A-GLE) は、事前にセグメンテーションされたグランドポイントの分布に基づき、$e_{ au,m}$ や $f_{ au,m}$ などのグランドリクイズパラメータを動的に更新することで、手動チューニングなしに環境に応じたパラメータ適合を実現する。
• 時間的グランドリバート (TGR) は、時間的整合性を活用して誤って未分類となったポイント（部分的未分割ポイント）を特定・再分類する。特に $z$-値が高くてもリクイズ度が低いポイントを、現在のグランドプレーンモデルで再チェックすることで、誤検出を低減する。
• 領域別垂直平面フィッティング (R-VPF) は、各領域ごとに垂直平面をフィッティングすることで、段差や積層された地形に対してもグランドプレーンを正確に推定可能にする。単一の平面モデルでは不十分な状況でも有効である。
• 反射ノイズ除去 (RNR) は、表面の物理的反射挙動をモデル化することで、LiDAR の反射アーチファクトに起因する仮想的ノイズポイントをフィルタリングし、セグメンテーション前の点群品質を向上させる。
• 本手法は粗いから細かい段階へと点群を処理する：まず点群を垂直バケット（CZM）に分割し、各バケットに対して A-GLE と TGR を適用してグランドリクイズを精緻化した後、R-VPF と RNR を用いて最終的なセグメンテーションを実行する。
• 全点群のソートではなく各バケット単位でのソート処理を採用することで、時間計算量を $O(N\bar{\mathrm{log}}N)$ から $O(LM\bar{\mathrm{log}}M)$ に削減し、計算効率を最適化している。ここで $L$ はバケット数、$M$ は平均点群数である。

実験結果

リサーチクエスチョン

• RQ1 学習不要のグランドセグメンテーション手法は、多様な都市環境において手動パラメータチューニングの必要性をどれほど低減できるか？
• RQ2 時間的整合性と適応的リクイズ推定は、複雑な地形における部分的未分割問題をどれほど効果的に緩和できるか？
• RQ3 領域別垂直平面フィッティングは、擁壁の背後にいるような地上が段差や積層構造を持つ状況において、グランドプレーン推定をどれほど改善できるか？
• RQ4 反射ノイズ除去は、物理的に不自然な点をフィルタリングすることで、セグメンテーションの正確性をどの程度向上させるか？
• RQ5 提案手法は、実世界の LiDAR データセットにおいて、最先端手法と比較して高い速度と高い精度（再現率・適合率）を両立できるか？

主な発見

• Patchwork++ は SemanticKITTI データセットで 98.7% のリCALL と 99.4% のプレシジョンを達成し、Patchwork（97.8% リCALL、99.2% プレシジョン）および他の最先端手法を大きく上回る精度を発揮した。
• 時間的グランドリバート（TGR）の導入により、Patchwork と比較して誤って未分類となったポイント（偽陰性）を 38.5% 減少させ、精度の損失を最小限に抑えつつ多数のポイントを真陽性に回復した。
• 適応的グランドリクイズ推定（A-GLE）は、環境タイプに応じてパラメータを自己更新可能であり、高速道路（平坦な地形）では低値、地方や都市部（段差や勾配のある道路）では高値を自動的に採用した。
• SemanticKITTI データセットの Sequence 05 において 54.85 Hz で実行可能であり、バケット単位のソート最適化により、時間計算量が $LM\bar{\mathrm{log}}L$ 減少したため、Patchwork（43.97 Hz）を上回る性能を発揮した。
• 領域別垂直平面フィッティング（R-VPF）は、擁壁の背後にいるような地上が段差を持つ状況でも、単一平面モデルでは失敗するが、正確なグランドセグメンテーションを可能にした。
• 反射ノイズ除去（RNR）は、LiDAR の反射挙動をモデル化することで、仮想的ノイズポイントを効果的に除去し、入力データの品質向上とセグメンテーションにおける偽陽性の低減に寄与した。