点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

大家好，今天给大家介绍的是德国波恩大学在读博士陈谢沅澧的最新工作。该方法的论文，代码，数据集以及视频都已经公开。

作者：Xieyuanli Chen

论文:

http://www.ipb.uni-bonn.de/pdfs/chen2021ral-iros.pdf
代码: https://github.com/PRBonn/LiDAR-MOS

数据集: http://bit.ly/mos-benchmark

视频: https://youtu.be/NHvsYhk4dhw

以下是内容简介：

构建长期一致（consistent）的环境地图并区分其中正在运动和静止的部分对于移动机器人和自动驾驶汽车等智能移动平台而言至关重要，因为智能移动平台通常需要一致的环境地图来实现定位或规划路径。在进行导航过程中，智能移动平台也需要感知正在移动的物体，从而根据他们的运动特性进行规划和决策。在真实动态环境中，正在移动的行人、汽车和其他动态物体往往给移动智能平台进行环境地图三维重建或 SLAM 系统带来了巨大挑战。例如在建图过程中，正在运动的物体可能会造成地图的不一致并严重影响所生成的三维模型的质量。

图1. 高速路场景中三维激光雷达（LiDAR）动态物体分割结果(红色部分为检测到的移动车辆)

因此，检测和分割传感器数据中的动态物体对于构建一致的环境地图、对无人平台进行状态预测、避免碰撞和路径规划而言至关重要。今天介绍的这篇工作旨在解决自动驾驶应用中的三维激光雷达运动物体检测和分割问题（LiDAR-based Moving Object Segmentation，LiDAR-MOS）。

图2. 该方法使用距离图像来表述LiDAR数据，并使用CNN进行基于距离图像的动态物体分割，最终通过投影关系得到每个点的动态或静态标签，例如图中所展示的红色部分代表检测分割出的动态物体，黑色部分代表静态物体。

该工作提出了一种仅使用 LiDAR 进行运动对象分割的新方法，可以实现实时的激光雷达动态物体分割（LiDAR-MOS）。 该方法不是进行全类别语义分割，即预测多种语义类别，如车辆、行人、道路等，而是将场景分割为动态部分和静态部分，例如该方法可以区分正在行驶的汽车和停放在路边的汽车，如上图所示。

这篇论文所提出的方法利用3D LiDAR的连续距离图像作为结合卷积神经网络（CNN ）的输入。该方法利用在类似图像的激光雷达表述上进行分割，因此不需要设计复杂的三维卷积神经网络。

这样做除了可以使用已有的 2D CNN框架外，相较于直接处理 3D 点云的方法，该方法运算速度很快，可以实现实时运行（20Hz）。 为了能够检测运动物体，在实际运用过程中，该方法使用序列距离图像信息。利用所提出的差异图（residual images）和新开放的数据集SemanticKITTI-MOS benchmark，通过时空信息结合的方式，该方法得到了很好的三维激光雷达动态物体分割结果。

图3. 使用距离图生成的差异图像和新开放的LiDAR-MOS数据集来训练现有的CNN实现动态物体检测和分割。

本文还基于SemanticKITTI 构建并开放了基于 LiDAR 的动态物体分割的数据集用以对不同的动态分割算法进行评估。除了对动态物体分割结果进行评估外，本文还提供了两个相关的动态物体分割的应用场景，激光雷达里程计/SLAM以及激光雷达三维建图。

图4. 左：原始点云聚合图，右：利用提出的LiDAR-MOS清理点云后所构建的地图

图5. KITTI Odometry 数据集中不同算法的里程计定位结果

上图中所展示的是利用提出的动态物体分割算法简单地对SLAM输入进行预处理之后得到的定位和建图的结果。可以看到，仅仅使用所提出的LiDAR-MOS去除点云输入中的动态物体，而不需要改变任何SLAM细节，就可以对SLAM的定位和建图结果起到很大帮助。

如图4所示，在建图结果中使用该算法就可以很好的去除掉所谓”ghost“也就是由动态物体所导致的伪影。如图5所示，在定位结果中，使用动态物体检测提升SLAM的定位结果甚至超过了之前的使用全类别语义信息的SuMa++的定位结果。

使用该方法的另一个好处就是，该方法只是对点云进行了预处理就可以提高SLAM的定位和建图的结果，因此可以很轻松的移植到不同激光雷达SLAM算法中，大家只需要利用LiDAR-MOS动态物体分割滤除掉当前激光雷达中的动态物体就可以提升自己SLAM的性能。

该方法的论文，代码，数据集以及视频都已经公开。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~