0. 简介

对于NDT而言，相信各位应该都有所了解了，但是作为高精地图来说性能还需要进一步提升，为此《Towards High-Definition Maps: a Framework Leveraging Semantic Segmentation to Improve NDT Map Compression and Descriptivity》一文提出了一种利用语义分割提高NDT地图压缩和描述能力的框架。由于受到车载存储容量的限制，自动驾驶的鲁棒导航需要高精度（HD）地图，本文提出的环境感知正态分布变换（EA-NDT），其显著改进了标准NDT表示的压缩方式。EA-NDT的压缩表示是基于点云的语义辅助聚类，与标准NDT的栅格单元相比，具有更优的单元。与标准NDT相比，EA-NDT在保持相同描述能力的同时，始终实现了至少1.5倍的地图压缩。此外，我们表明，当使用相同数量的单元时，与标准NDT相比，EA-NDT能够产生具有更高描述能力得分的地图。相关的代码在gitlab中开源了

图1：点云（白色）和相应的EA-NDT高清地图表示的示意图。EA-NDT单元用椭球体（标准差内的质量）可视化，显示建筑物（黄色）、围栏（青色）、地面（紫色）、电线杆（蓝色）、树干（橙色）和交通标志（红色）的标签。

1. 主要贡献

本文的主要贡献总结如下：

  1. 本文提出一种新型的数据驱动框架，用于计算没有栅格结构的NDT地图表示；

  2. 本文证明了与NDT表示相比，具有显著改进的数据压缩；

  3. 本工作将所提出的EA-NDT的开源实现分享给研究社区；

  4. 本文提供在使用Velodyne VLS-128激光雷达采集的数据上评估所提出EA-NDT的配准数据集。

2. 环境感知的NDT

我们提出了一个名为环境感知非破坏性检测（EA-NDT）的框架，将语义分割的点云划分为NDT单元。该框架是一个直接的流程，由4个阶段（图3）组成，逐步将输入的点云划分为单元，最终表示为一个NDT地图。流程的输入是一个注册点云，按照语义分割、实例聚类、基元提取和单元聚类的阶段顺序进行处理。最终，流程的输出是一种基于环境感知的NDT高清地图表示，称为EA-NDT HD地图，它使用NDT表示存储找到的单元。

图3：基于第三节中的框架，提出的EA-NDT处理流程的可视化。输入是一个语义分割的点云，EA-NDT HD地图之前的中间阶段是实例、基元和单元，其中实体通过颜色分隔。语义信息的颜色映射在图1中解释。

在注册点云中，每个三维点都有X、Y、Z的笛卡尔坐标（例如ETRS-TM35FIN、ECEF）和强度值。语义分割为云中的每个点附加了语义信息，以便进一步对数据进行聚类。在这项工作中，我们使用了道路、人行道、停车场、建筑物、围栏、杆子、交通标志和树干标签来演示该框架，但也可以使用其他标签。实例聚类将每个语义段划分为空间上相互分离的实例。基元提取将每个实例划分为可以用单峰分布建模的预定义基元。在这项工作中，我们定义了平面和圆柱形基元，但该框架可以扩展以支持新类型的基元。然而，大型基元（如树木）无法用均匀分布很好地建模。因此，单元聚类进一步将每个基元划分为大小近似相等的单元，同时最小化使用的单元数量。最终，EANDT HD地图以八叉树[20]的形式呈现，在这项工作中，它存储了每个单元的点计数器、点总和和协方差矩阵的上对角线，但也可以包括其他属性，如语义段、实例聚类或基元类型。

3. 主要方法

基于第二节中提出的框架，我们使用C++14在ROS Noetic Ninjemys上进行了实现。实现的主要功能使用了点云库（Point Cloud Library，PCL）[28]中的现有函数和类。实现的处理流程如图3所示。框架的第一阶段，语义分割，主要使用的是RandLA-Net离线处理的。

因此，我们的数据集已经包含了语义信息。 实例聚类使用欧几里得区域生长算法[29]将每个语义分割划分为空间上分离的实例，如图3所示。通常情况下，我们要求实例之间的距离阈值为30厘米，每个实例至少包含10个点。对于地面标签，我们要求实例之间的距离阈值为50厘米，每个实例至少包含3000个点。在我们的数据集中，存在大量的离群点和地平面以下的反射点，这些点在地图中是不需要的，实例聚类用于过滤这些点。

在基元提取中，树干和杆子实例被建模为单独的圆柱形基元，交通标志实例被建模为单独的平面基元。图3展示了这两种基元类型。对于其他语义标签，通过随机采样一致性（Random Sample Consensus，RANSAC）[30]算法，在对实例进行10厘米平均体素网格子采样和估计每个剩余点的26个最近邻点的点法线后，提取平面基元。对于建筑和围栏实例，使用π/4的法线距离权重和15厘米的距离阈值进行平面拟合。对于地面实例，过程略有不同：1）使用现有的K-means++算法[32]实现[31]将地面实例划分为面积约为100平方米的基元（K-means聚类数的初始化在本节的单元聚类中解释），然后2）对每个基元进行平面拟合，使用30厘米的距离阈值进行粗略的噪声过滤。 在单元聚类中，使用K-means++算法将基元划分为单元（如图3所示），其中聚类数的数量

对于每个标签L，进行初始化。在（1）中，\lceil·\rceil是天花板运算符，n_L要么是圆柱体基元（树干和杆）的n_α，要么是平面基元（地面、建筑物、栅栏和交通标志）的n_β。

其中，l_α是圆柱体基元的长度，A_β是在通过主成分分析（PCA）找到的特征空间中将平面基元投影后剩余的点数，并使用10厘米体素网格进行过滤。此外，在对地面上的单元进行聚类后，对每个单元进行15厘米阈值的平面拟合，以进行更精细的噪声过滤。在公式（1）中，缩放参数f_L和g_L（见表II）是通过手动拟合每个L的6次迭代得到的，从f_{L_0} = 1和g_{L_0} = 1开始，直到EA-NDT的单元数N_c（如图4所示）足够接近于具有单元尺寸s_c < 1 m的NDT。尽管有单元尺寸的限制，但每个基元至少需要有一个单元。图4显示了这如何为具有较大单元的Nc设置了一个下限。最后，所有计算得到的单元都存储在表示EA-NDT HD地图的八叉树结构[20]中。八叉树中的每个叶子单元存储一个点计数器、点总和和单元的协方差矩阵的上对角线。我们要求一个叶子单元至少有6个点，才能可靠地用正态分布进行建模，因此忽略点数较少的单元。PCL中的八叉树实现需要一个最小叶子单元尺寸参数，我们使用s_c/4来使其相对于EA-NDT所需的单元尺寸足够小。

4. 参考文献

https://mp.weixin.qq.com/s/oz1E-rZc8ilokh92Rs89Vg