[论文解读] 3D Point Cloud Processing and Learning for Autonomous Driving

Siheng Chen, Baoan Liu+3 more|arXiv (Cornell University)|Mar 1, 2020

Remote Sensing and LiDAR Applications参考文献 103被引用 34

一句话总结

3D 点云处理与学习在自动驾驶中的 LiDAR 的综述，覆盖表示、工具，以及在高精地图创建、定位与感知等模块中的应用。

ABSTRACT

We present a review of 3D point cloud processing and learning for autonomous driving. As one of the most important sensors in autonomous vehicles, light detection and ranging (LiDAR) sensors collect 3D point clouds that precisely record the external surfaces of objects and scenes. The tools for 3D point cloud processing and learning are critical to the map creation, localization, and perception modules in an autonomous vehicle. While much attention has been paid to data collected from cameras, such as images and videos, an increasing number of researchers have recognized the importance and significance of LiDAR in autonomous driving and have proposed processing and learning algorithms to exploit 3D point clouds. We review the recent progress in this research area and summarize what has been tried and what is needed for practical and safe autonomous vehicles. We also offer perspectives on open issues that are needed to be solved in the future.

研究动机与目标

• 阐明基于 LiDAR 的 3D 点云处理对自动驾驶的重要性。
• 总结 AV 系统中 3D 点云的属性、表示和工具。
• 回顾用于 HD 地图创建、定位和感知模块的 3D 点云处理。
• 突出实际、可靠的自动驾驶车辆中的开放问题与未来方向。

提出的方法

• 描述实时 LiDAR 扫掠和点云地图及其在 AV 系统中的作用。
• 比较原始点、体素、距离视图和 BEV 表示法在 3D 数据中的应用。
• 综述基于 CNN 和 PointNet 风格的 3D 点云学习方法。
• 讨论用于 HD 地图创建、定位和感知的模块特定处理。

实验结果

研究问题

• RQ1 在自动驾驶中，3D 点云的关键属性与表示有哪些？
• RQ2 3D 点云处理与学习如何支持 HD 地图创建、定位和感知？
• RQ3 使用 LiDAR 数据实现实际自动驾驶的开放挑战与未来方向是什么？

主要发现

• LiDAR 提供对自动驾驶中的定位与感知至关重要的精确 3D 几何信息。
• 多种表示（原始点、体素、距离视图、BEV）在细节、内存和与 2D 方法的兼容性之间提供取舍。
• PointNet 和基于 CNN 的方法分别使从无序和离散化的点云中学习成为可能。
• HD 地图创建和基于地图的定位在很大程度上依赖于 3D 点云处理，以对齐扫描并提取语义特征。
• 通过 3D 目标检测和语义特征提升的感知性能提高自动驾驶的安全性与可靠性。