经典文献阅读之--EA-NDT(利用语义分割提高NDT地图压缩和描述能力的框架)

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。

…详情请参照古月居