[论文解读] 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)|Sep 15, 2021

Remote Sensing and LiDAR Applications被引用 45

一句话总结

本文引入 Winter Adverse Driving 数据集（WADS），为严重冬季 LiDAR 数据提供密集逐点标签，并提出 Dynamic Statistical Outlier Removal (DSOR) 滤波器，这是一种基于 PCL 的方法，在召回率和速度方面优于现有的雪噪声去除方法，具有更好的可扩展性。

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

研究动机与目标

• 激发在严重冬季天气条件下对抗吹雪的鲁棒自动驾驶感知。
• 提供一个密集标注的冬季 LiDAR 数据集（WADS），具备逐点标签和雪特定类别。
• 开发并验证一个动态、可扩展的雪去噪滤波器（DSOR）用于 LiDAR 点云。
• 在召回率、精确度和速度方面将 DSOR 与现有滤波器（SOR、DROR）进行比较。
• 演示 DSOR 对更大、密度更高的 LiDAR 设置的可扩展性。

提出的方法

• 将 PCL 的 Statistical Outlier Removal (SOR) 扩展为 DSOR，通过引入基于距离的动态阈值。
• 从 k 邻近距离计算全局阈值，然后应用一个按距离缩放的动态阈值（T_d = T_g * r * distance）。
• 使用 k-d 树进行高效的最近邻搜索（k-NN），并计算邻居距离的均值和标准差。
• 标注并提供包括 active-snow 和 accumulated-snow 在内的 22 个类别，以捕捉雪的现象。
• 对来自大雪条件的 LiDAR 扫描序列，评估召回率、精确度和运行时间。

实验结果

研究问题

• RQ1 DSOR 是否能够在极端冬季 LiDAR 数据中有效去除落雪，同时保留环境特征？
• RQ2 在大雪条件下，DSOR 相较于最先进的 DROR 滤波器，是否提供更高的召回率和更快的处理速度？
• RQ3 随着 LiDAR 点密度增加和点云变大，DSOR 如何扩展？
• RQ4 WADS 数据集为对 adverse weather 中的感知系统培训和评估提供了哪些价值？

主要发现

• DSOR 在雪去除方面的召回率为 95.6%，高于 DROR 的 91.9%。
• DSOR 在雪去除中的精确度为 65.1%，而 DROR 为 71.5%，这表明在某些范围内 DSOR 去除了更多非雪点。
• DSOR 在近场（20 m 以内）比 DROR 去除更多雪，并在各种距离范围内总体保留的特征比 SOR 和 DROR 更多。
• DSOR 的平均较 DROR 快 约 28%（每帧点云 369.68 ms 对 510.55 ms）。
• DSOR 的时间复杂度为 O(N log N)，低于 DROR 的大约 O(N^(2/3))，并且在更大点云上具有更好的扩展性。