以下內容來自小六的機器人SLAM學習圈知識星球每日更新內容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

Kaist提出了一種可穿越地面和地上物體的兩步分割方法TRAVEL，并分割熵和欠分割熵指標來衡量與對象對應的標簽的分布和不確定性，代碼開源！

#論文##開源代碼# TRAVEL: Traversable Ground and Above-Ground Object Segmentation Using Graph Representation of 3D LiDAR Scans

論文地址：https://arxiv.org/abs/2206.03190

作者單位：KAIST

開源代碼：https://github.com/url-kaist/TRAVEL

對于自主導航而言，從3D點云中感知可穿越區(qū)域和感興趣的物體是關鍵任務之一。一輛地面車輛需要尋找可以用車輪探索的可穿越地形。然后，為了做出安全的導航?jīng)Q策，必須先對位于這些地形上的物體進行分割。然而，過度分割和欠分割可能會對這種導航?jīng)Q策產(chǎn)生負面影響。為此，我們提出了TRAVEL，它使用3D點云的圖表示來同時執(zhí)行可穿越地面檢測和物體聚類。為了分割可穿越地面，將點云編碼為圖結構，三格場，將每個三格場作為一個節(jié)點。然后，通過檢查連接節(jié)點的局部凸性和凹性來搜索和重新定義可穿越區(qū)域。

另一方面，我們的地上物體分割采用圖結構，將水平相鄰的3D點在球面投影空間中表示為一個節(jié)點，并將節(jié)點之間的垂直/水平關系表示為一條邊。完全利用節(jié)點-邊結構，地上分割確保實時操作，并減少過度分割。通過使用仿真、城市場景和我們自己的數(shù)據(jù)集進行實驗，我們已經(jīng)證明，我們提出的可穿越地面分割算法在傳統(tǒng)指標方面優(yōu)于其他最先進的方法，并且我們新提出的評估指標對評估地上分割具有重要意義。

本文貢獻如下：

1、根據(jù)我們所知，這項研究是第一次引入TGF進行地面分割。通過利用TGF和幾何差異，我們的算法可以有效地檢測基于所提出的廣度優(yōu)先搜索的地形可穿越性。

2、我們分別以以下改進對象點進行水平和垂直聚類：我們引入了跳過連接和環(huán)形連接的概念，以有效處理過度分割。我們的二分搜索方法將查找相鄰節(jié)點的復雜度降低到O(Nlog(N))，其中N是環(huán)中節(jié)點的總數(shù)。

3、我們提出了新的指標，即過分割熵和欠分割熵。這些指標衡量與對象對應的標簽的分布和不確定性，是全面而有意義的衡量分割性能的指標。

以上內容來自小六的機器人SLAM學習圈?每日更新內容