[论文解读] Automatic 3D Mapping for Tree Diameter Measurements in Inventory Operations

JEAN-FRANÇOIS TREMBLAY, Martin Béland+3 more|arXiv (Cornell University)|Apr 10, 2019

Remote Sensing and LiDAR Applications参考文献 21被引用 5

一句话总结

本文提出一种基于ICP的移动激光雷达3D制图方法，用于在森林中自动估算胸径（DBH）。该方法验证了多种DBH估算技术，包括一种新颖的中值圆柱拟合技术，总体均方根误差（RMSE）为3.45 cm，在理想成熟林中达到2.04 cm。

ABSTRACT

Forestry is a major industry in many parts of the world. It relies on forest inventory, which consists of measuring tree attributes. We propose to use 3D mapping, based on the iterative closest point algorithm, to automatically measure tree diameters in forests from mobile robot observations. While previous studies showed the potential for such technology, they lacked a rigorous analysis of diameter estimation methods in challenging forest environments. Here, we validated multiple diameter estimation methods, including two novel ones, in a new varied dataset of four different forest sites, 11 trajectories, totaling 1458 tree observations and 1.4 hectares. We provide recommendations for the deployment of mobile robots in a forestry context. We conclude that our mapping method is usable in the context of automated forest inventory, with our best method yielding a root mean square error of 3.45 cm for our whole dataset, and 2.04 cm in ideal conditions consisting of mature forest with well spaced trees.

研究动机与目标

• 开发并验证一种基于移动激光雷达的全自动3D制图系统，用于森林清查作业。
• 解决在具有复杂地形和高树木密度的嘈杂真实森林环境中实现高精度DBH估算的挑战。
• 在多样化、大规模的数据集上，评估并比较多种DBH估算方法，包括两种新型方法。
• 基于实地性能和环境约束，为林业中移动机器人的部署提供实用建议。

提出的方法

• 使用迭代 closest point（ICP）算法，基于在四个森林区域共11条轨迹上采集的移动激光雷达数据，构建3D点云地图。
• 提出一种新型DBH估算方法：通过超圆弧拟合与非线性优化，对树干分段进行多次圆柱拟合，随后取所得直径的中值。
• 处理安装在地面车辆上的3D激光雷达采集的原始扫描数据，结合IMU和GPS数据实现定位，用于地图构建。
• 通过在3D地图中检测树干，对分割后的树干点云拟合圆柱模型，并从拟合圆柱的半径计算DBH。
• 在1.4公顷范围内包含1458棵树木观测数据的基准数据集上，验证了地图构建与估算流程。
• 结合几何拟合与鲁棒统计滤波（中值）方法，降低ICP生成地图中噪声和异常值的影响。

实验结果

研究问题

• RQ1 在多样化的真实森林环境中，基于ICP的3D制图在树木DBH估算方面表现如何？
• RQ2 在多种测试方法中，哪种DBH估算方法在嘈杂的移动激光雷达数据上表现最准确且最稳健？
• RQ3 哪些关键环境与操作因素（如树间距、地形起伏度、机器人速度）会影响DBH估算的准确性？
• RQ4 机器人与树木之间的距离如何影响DBH估算误差？可靠测量的实际极限是什么？
• RQ5 哪些实地部署策略（如轨迹设计、靠近树木的距离）能最大化移动森林制图中的估算准确性？

主要发现

• 所提出的中值圆柱拟合方法表现最佳，整体数据集的均方根误差（RMSE）为3.45 cm。
• 在理想条件下（成熟林、树木间距适中），最佳方法的RMSE达到2.04 cm，满足典型行业精度要求。
• 当距离机器人超过6 m时，DBH估算精度显著下降，超过10 m后因误差传播和点云密度降低而变得不可靠。
• 机器人速度影响性能：在1 m/s速度下，单次扫描期间的运动导致结果变差，表明高速移动平台需具备运动补偿能力。
• 地面起伏度和障碍物对制图与DBH估算影响甚微，即使在Mature和Young森林等复杂区域也表现稳定。
• 更密集的轨迹（如网格状路径）优于简单环形轨迹，后者在某些条件下因定位误差引入负向偏差。