[论文解读] Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds

Tai Wang, Xinge Zhu+1 more|arXiv (Cornell University)|Apr 6, 2020

Advanced Neural Network Applications被引用 11

一句话总结

本文提出可重构体素（Reconfigurable Voxels），一种用于LiDAR点云的新表示方法，通过有偏随机游走自适应地选择并聚合点云至固定大小的体素邻域，基于局部空间密度进行调整。该方法增强了稀疏区域的特征稳定性，在nuScenes、Lyft和KITTI基准测试中显著提升了小物体和远距离物体的3D检测性能，且计算开销极低。

ABSTRACT

LiDAR is an important method for autonomous driving systems to sense the environment. The point clouds obtained by LiDAR typically exhibit sparse and irregular distribution, thus posing great challenges to the detection of 3D objects, especially those that are small and distant. To tackle this difficulty, we propose Reconfigurable Voxels, a new approach to constructing representations from 3D point clouds. Specifically, we devise a biased random walk scheme, which adaptively covers each neighborhood with a fixed number of voxels based on the local spatial distribution and produces a representation by integrating the points in the chosen neighbors. We found empirically that this approach effectively improves the stability of voxel features, especially for sparse regions. Experimental results on multiple benchmarks, including nuScenes, Lyft, and KITTI, show that this new representation can remarkably improve the detection performance for small and distant objects, without incurring noticeable overhead costs.

研究动机与目标

• 解决自动驾驶中常见于稀疏且不规则LiDAR点云中检测小物体和远距离物体的挑战。
• 提升传统体素化在点分布不一致时失效的稀疏区域中的特征稳定性。
• 开发一种轻量级、自适应的表示方法，在不增加计算成本的前提下保持高检测精度。
• 实现在nuScenes、Lyft和KITTI等多样化真实世界基准测试中的鲁棒3D目标检测。
• 提出一种新型基于体素的表示方法，能够根据局部几何结构动态重构邻域选择。

提出的方法

• 提出一种有偏随机游走机制，用于探索每个点周围的局部邻域，优先选择点密度更高的区域。
• 利用随机游走选择能最好表征局部空间结构的固定数量邻近体素。
• 将所选体素内的所有点整合为单一特征表示，以增强鲁棒性。
• 设计随机游走的偏置策略，优先关注密集区域，从而提升稀疏区域的覆盖度。
• 构建一种可学习的体素表示，能够自适应局部点分布，无需显式网格划分。
• 在现有3D检测框架中集成可重构体素，仅需极少的架构修改。

实验结果

研究问题

• RQ1 自适应体素选择策略是否能提升稀疏LiDAR点云中特征表示的稳定性？
• RQ2 与标准体素化相比，可重构体素在检测小物体和远距离3D物体时表现如何？
• RQ3 与基线体素化检测器相比，所提方法的计算成本如何？
• RQ4 有偏随机游走机制是否能有效优先选择稀疏区域中有信息量的局部邻域？
• RQ5 该表示能否在nuScenes、Lyft和KITTI等多样化3D检测基准上实现良好泛化？

主要发现

• 在nuScenes基准上，可重构体素显著提升了小物体和远距离物体的检测mAP。
• 该方法在稀疏区域实现了更好的特征稳定性，降低了体素表示的方差。
• 检测性能的提升未引入明显的计算开销。
• 该方法在多个基准（包括KITTI和Lyft）上均优于标准体素化。
• 实证结果证实，有偏随机游走能有效捕捉稀疏邻域中的局部几何结构。
• 该表示显著提升了低点密度下具有挑战性的3D物体类别检测的可靠性。