[论文解读] LADAR-Based Mover Detection from Moving Vehicles

Daniel Morris, Brian R. Colonna+1 more|arXiv (Cornell University)|Sep 25, 2017

Advanced Neural Network Applications参考文献 11被引用 7

一句话总结

本文提出一种基于LADAR的移动车辆探测移动物体（movers）的方法，利用2D扫描LIDAR数据。该方法采用表面密度建模与Bhattacharya相似性优化，实现跨连续扫描的鲁棒物体配准与跟踪，即使在高杂波环境中也能实现精确的移动物体检测。

ABSTRACT

Detecting moving vehicles and people is crucial for safe operation of UGVs but is challenging in cluttered, real world environments. We propose a registration technique that enables objects to be robustly matched and tracked, and hence movers to be detected even in high clutter. Range data are acquired using a 2D scanning Ladar from a moving platform. These are automatically clustered into objects and modeled using a surface density function. A Bhattacharya similarity is optimized to register subsequent views of each object enabling good discrimination and tracking, and hence mover detection.

研究动机与目标

• 利用移动平台上的LADAR数据，解决在复杂真实环境中检测移动车辆和行人的挑战。
• 克服由于平台运动和环境杂波导致的物体匹配与跟踪困难。
• 开发一种鲁棒的配准技术，实现在连续LADAR扫描中的一致物体跟踪。
• 通过提升物体持续性和减少动态场景中的误报，实现可靠的移动物体检测。

提出的方法

• 使用扫描LIDAR系统从移动车辆获取2D LADAR距离扫描数据。
• 通过空间邻近性和表面特性自动将距离数据聚类为独立物体。
• 使用表面密度函数对每个检测到的物体进行建模，以表示其三维结构和空间分布。
• 应用Bhattacharya相似性作为度量，优化同一物体在时间序列中的连续视图配准（对齐）。
• 利用优化后的配准结果跟踪物体运动，并区分静态与移动物体。
• 利用一致的跟踪性能，基于物体行为与静态物体的偏离来识别移动物体。

实验结果

研究问题

• RQ1 在动态、杂波环境中，如何改进物体配准以支持移动平台上的可靠跟踪？
• RQ2 Bhattacharya相似性在LADAR系统中能在多大程度上提升物体匹配与跟踪的准确性？
• RQ3 表面密度建模能否改善物体表示，并增强对噪声和遮挡的鲁棒性？
• RQ4 该方法在真实场景中区分移动物体与静态杂波的效率如何？
• RQ5 平台运动对物体跟踪和移动物体检测性能有何影响？

主要发现

• 采用Bhattacharya相似性的配准方法显著提高了连续LADAR扫描中物体匹配的准确性。
• 表面密度建模实现了物体的鲁棒表示，提升了在高杂波环境中的性能。
• 系统即使在传感器平台运动时，也能成功检测移动物体（如行人和车辆）。
• 物体跟踪在时间上稳定且一致，减少了误报，提高了移动物体检测的可靠性。
• 通过第25届陆军科学会议的实验验证，该方法在真实世界条件下表现出有效性。
• 该方法无需预先了解物体动力学或复杂的运动模型，即可实现可靠的移动物体检测。