[论文解读] Patchwork++: Fast and Robust Ground Segmentation Solving Partial Under-Segmentation Using 3D Point Cloud

Seung Jae Lee, Hyungtae Lim+1 more|arXiv (Cornell University)|Jul 25, 2022

Remote Sensing and LiDAR Applications被引用 7

一句话总结

Patchwork++ 是一种快速且鲁棒的非学习型地面分割方法，通过引入自适应地面似然估计（A-GLE）、时间地面回滚（TGR）、基于区域的垂直平面拟合（R-VPF）以及反射噪声去除（RNR），有效解决了复杂城市环境中部分地面未分割和地面平面估计的问题。该方法在SemanticKITTI数据集上实现了98.7%的召回率和99.4%的精确率，达到当前最先进水平，同时减少了人工参数调优，并在速度上优于先前方法。

ABSTRACT

In the field of 3D perception using 3D LiDAR sensors, ground segmentation is an essential task for various purposes, such as traversable area detection and object recognition. Under these circumstances, several ground segmentation methods have been proposed. However, some limitations are still encountered. First, some ground segmentation methods require fine-tuning of parameters depending on the surroundings, which is excessively laborious and time-consuming. Moreover, even if the parameters are well adjusted, a partial under-segmentation problem can still emerge, which implies ground segmentation failures in some regions. Finally, ground segmentation methods typically fail to estimate an appropriate ground plane when the ground is above another structure, such as a retaining wall. To address these problems, we propose a robust ground segmentation method called Patchwork++, an extension of Patchwork. Patchwork++ exploits adaptive ground likelihood estimation (A-GLE) to calculate appropriate parameters adaptively based on the previous ground segmentation results. Moreover, temporal ground revert (TGR) alleviates a partial under-segmentation problem by using the temporary ground property. Also, region-wise vertical plane fitting (R-VPF) is introduced to segment the ground plane properly even if the ground is elevated with different layers. Finally, we present reflected noise removal (RNR) to eliminate virtual noise points efficiently based on the 3D LiDAR reflection model. We demonstrate the qualitative and quantitative evaluations using a SemanticKITTI dataset. Our code is available at https://github.com/url-kaist/patchwork-plusplus

研究动机与目标

• 解决地面分割中持续存在的部分未分割问题，特别是在地面平面不平坦或抬升的复杂城市环境中。
• 通过基于先前分割结果的自适应、环境感知参数估计，减少对人工参数调优的依赖。
• 利用基于区域的垂直平面拟合，在地面高于结构物（如挡土墙）的场景中提升地面平面估计的准确性。
• 通过基于物理反射模型的虚拟噪声点消除，增强方法鲁棒性，提高分割精度。
• 在移动机器人和自主系统中保持高处理速度和实时可行性。

提出的方法

• 自适应地面似然估计（A-GLE）根据先前分割的地面点分布，动态更新地面似然参数（如 $e_{ au,m}$ 和 $f_{ au,m}$），实现无需人工调优的环境自适应参数调整。
• 时间地面回滚（TGR）通过利用时间一致性，识别并回滚误判为负样本的点（即未分割的地面点）——重新检查 $z$ 值较高但似然度较低的点，使用当前的地面平面模型进行验证。
• 基于区域的垂直平面拟合（R-VPF）通过在每个区域内拟合垂直平面，实现对分层或抬升地形中地面平面的分割，即使地面并非单一平面，也能实现准确的地面估计。
• 反射噪声去除（RNR）通过建模表面的物理反射行为，过滤掉由LiDAR反射伪影产生的虚拟噪声点，提升点云质量，从而改善分割效果。
• 该方法采用粗到精的处理流程：首先将点云划分为垂直分箱（CZM），然后在每个分箱内应用A-GLE和TGR以优化地面似然度，再通过R-VPF和RNR完成最终分割。
• 通过在每个分箱内而非全局执行排序操作，优化计算效率，将时间复杂度从 $O(N\bar{\mathrm{log}}N)$ 降低至 $O(LM\bar{\mathrm{log}}M)$，其中 $L$ 为分箱数量，$M$ 为每箱平均点数。

实验结果

研究问题

• RQ1 非学习型地面分割方法是否能显著减少在多样化城市环境中的人工参数调优需求？
• RQ2 时间一致性与自适应似然估计在复杂地形中是否能有效缓解部分未分割问题？
• RQ3 当地面存在抬升或分层结构（如挡土墙后方）时，基于区域的垂直平面拟合是否能提升地面平面估计的准确性？
• RQ4 通过建模并过滤掉物理上不合理的点，反射噪声去除在多大程度上提升了分割精度？
• RQ5 与当前最先进方法相比，该方法是否在真实世界LiDAR数据集中同时实现了高精度（精确率与召回率）与高处理速度？

主要发现

• Patchwork++ 在 SemanticKITTI 数据集上实现了 98.7% 的召回率和 99.4% 的精确率，显著优于 Patchwork（97.8% 召回率，99.2% 精确率）及其他最先进方法，精确率与召回率均更优。
• 通过引入时间地面回滚（TGR），该方法将误报减少 38.5%，成功将大量未分割点恢复为真正正例，且精确率损失极小。
• 自适应地面似然估计（A-GLE）能根据环境类型成功自更新参数——例如在高速公路上使用较低值（地形更平坦），在乡村或城市区域使用较高值（路面不平或有坡度）。
• 在 SemanticKITTI 数据集 Sequence 05 上，该算法运行速度达 54.85 Hz，优于 Patchwork 的 43.97 Hz，得益于分箱内排序优化，时间复杂度降低 $LM\bar{\mathrm{log}}L$。
• 基于区域的垂直平面拟合（R-VPF）在存在抬升地面结构（如挡土墙）的场景中实现了准确的地面分割，而单平面模型在此类场景中会失效。
• 反射噪声去除（RNR）通过建模LiDAR反射行为，有效消除了虚拟噪声点，提升了输入数据质量，减少了分割中的假阳性。