[论文解读] Lisco: A Continuous Approach in LiDAR Point-cloud Clustering

Hannaneh Najdataei, Yiannis Nikolakopoulos+2 more|arXiv (Cornell University)|Nov 6, 2017

Remote Sensing and LiDAR Applications参考文献 19被引用 4

一句话总结

Lisco 是一种基于欧几里得距离的单遍连续聚类算法，用于激光雷达点云处理，通过利用激光雷达数据固有的角度和旋转顺序，实现在无需排序结构的情况下实现细粒度流水线处理。与基于 PCL 的基线方法相比，其处理速度最高可提升 3 倍，且可扩展性更优，从而支持自动驾驶等网络物理系统实现实时流式聚类。

ABSTRACT

The light detection and ranging (LiDAR) technology allows to sense surrounding objects with fine-grained resolution in a large areas. Their data (aka point clouds), generated continuously at very high rates, can provide information to support automated functionality in cyberphysical systems. Clustering of point clouds is a key problem to extract this type of information. Methods for solving the problem in a continuous fashion can facilitate improved processing in e.g. fog architectures, allowing continuous, streaming processing of data close to the sources. We propose Lisco, a single-pass continuous Euclidean-distance-based clustering of LiDAR point clouds, that maximizes the granularity of the data processing pipeline. Besides its algorithmic analysis, we provide a thorough experimental evaluation and highlight its up to 3x improvements and its scalability benefits compared to the baseline, using both real-world datasets as well as synthetic ones to fully explore the worst-cases.

研究动机与目标

• 解决现有方法中因基于批处理和排序依赖而引起的激光雷达点云聚类性能瓶颈。
• 在网络物理系统的实时应用中，实现流式激光雷达数据处理的细粒度流水线。
• 设计一种聚类算法，通过利用激光雷达数据的自然顺序，无需依赖 kd 树或八叉树等辅助数据结构，最大化处理吞吐量。
• 在真实世界和合成数据集上评估所提方法，以评估其在最坏情况下的性能、可扩展性和鲁棒性。

提出的方法

• Lisco 利用激光雷达数据的角向和旋转顺序——即数据流中连续的点由于传感器扫描模式而具有空间邻近性——直接推断邻域关系。
• 该算法维护子簇头，并基于欧几里得距离动态将新点分配至现有簇，无需预排序或索引结构。
• 其采用连续单遍处理模型，使子簇可随时输出给用户，支持实时和流式部署。
• 该方法通过依赖数据流中的固有空间局部性，避免昂贵的邻域查询，降低计算开销。
• Lisco 动态管理簇头，并仅在必要时才合并邻近簇，从而最小化冗余操作。
• 该算法以原型形式实现，并与广泛使用的 PCL 欧几里得聚类方法作为基线进行对比评估。

实验结果

研究问题

• RQ1 是否能够通过连续单遍聚类方法消除对排序或索引结构的依赖，同时保持高精度？
• RQ2 与最先进的基于 PCL 的欧几里得聚类方法相比，Lisco 在处理速度和可扩展性方面表现如何？
• RQ3 在流式数据处理中，激光雷达数据的固有角向和旋转顺序在多大程度上可被利用以实现细粒度流水线？
• RQ4 在高度非均匀点分布或极端数据速率等最坏场景下，Lisco 的表现如何？
• RQ5 在连续激光雷达聚类流水线中，聚类精度、处理延迟与吞吐量之间的权衡关系如何？

主要发现

• Lisco 在真实世界和合成数据集上，与基于 PCL 的基线相比，处理速度最高提升 3 倍。
• 由于其单遍、流水线化架构，该算法在高数据率流式处理场景中展现出显著的可扩展性优势。
• 通过利用激光雷达数据的自然顺序，Lisco 消除了对 kd 树等排序或索引结构的需求，降低了预处理开销。
• 该方法支持连续输出，可在处理过程中的任意时刻向用户交付子簇，这对实时应用至关重要。
• 通过全面的合成最坏情况测试验证，Lisco 在具有挑战性的非均匀点分布中仍能保持高聚类精度。
• 评估结果表明，Lisco 在不同激光雷达数据特性（包括点密度和物体距离变化）下均表现出良好的鲁棒性。