激光雷達(dá)是一種主動(dòng)傳感器，其發(fā)射的脈沖光波后利用返回的脈沖計(jì)算其與周圍物體之間的距離。這種特性，使得激光雷達(dá)無論在白天還是夜間，都可以對周圍的場景進(jìn)行詳細(xì)的3D測量。在現(xiàn)在很多的數(shù)據(jù)集中，都可以很容易地找到此類測量值，如逐幀點(diǎn)云，這些數(shù)據(jù)通常以10Hz的頻率進(jìn)行采樣，并已用于3D對象檢測、語義分割和建圖。

盡管與毫米波雷達(dá)相比，激光雷達(dá)提供了更精確的3D測量，但在惡劣的天氣條件下，測量結(jié)果很容易退化。與可以透過霧、雪花和雨滴的毫米波雷達(dá)不同，激光雷達(dá)受到空氣中粒子的極大影響。特別是在降雪期間，脈沖信號撞擊雪花并得到重影的測量返回傳感器，如圖1a和1b所示。對于地圖構(gòu)建等應(yīng)用來說，移除這些測量值、揭示場景的基本幾何結(jié)構(gòu)至關(guān)重要。這篇文章提出一種雪天環(huán)境的激光雷達(dá)點(diǎn)云實(shí)時(shí)處理網(wǎng)絡(luò)，在去噪方面得到了性能提升，速度也比當(dāng)前的SOTA算法提升了52倍。

01 方法

1.1 預(yù)處理

第一步，將點(diǎn)云轉(zhuǎn)換為距離圖像。給定數(shù)據(jù)集中第k個(gè)點(diǎn)云中的點(diǎn)，其對應(yīng)的強(qiáng)度值，我們可以得到下面的值。

是點(diǎn)到激光雷達(dá)中心的距離，是傾角，是方位角。通過離散激光雷達(dá)視場（FOV）內(nèi)的傾角和方位角，我們可以將點(diǎn)云內(nèi)的每個(gè)點(diǎn)投影到球面坐標(biāo)上，可以得到距離圖像

，其中，是索引幀，是垂直分辨率，是水平分辨率。

第二步，是將距離圖像壓縮到適當(dāng)?shù)谋壤?。如圖1所示，一個(gè)很關(guān)鍵的問題是重影測量主要集中在25米的距離內(nèi)，但激光雷達(dá)的最大距離很容易超過150米。我們需要增強(qiáng)車輛周圍的點(diǎn)的重要性，并且同時(shí)維持點(diǎn)的順序，因?yàn)檠┗ǖ膹?qiáng)度值幾乎都是0，而場景中通常都是具有正的強(qiáng)度值，所以可以提升噪聲與場景之間的對比度。最后，要明確，不是每個(gè)像素都有對應(yīng)的值，因?yàn)橛行┓较虻狞c(diǎn)事缺少的，比如天空和一些透明的點(diǎn)。1.2 網(wǎng)絡(luò)結(jié)構(gòu)本文的網(wǎng)絡(luò)結(jié)構(gòu)是在參考文獻(xiàn)［12］的MWCNN基礎(chǔ)上對部分關(guān)鍵點(diǎn)進(jìn)行了修改。首先，使用殘差模塊替換所有具有兩個(gè)環(huán)卷積層的卷積層；然后在每個(gè)殘差模塊的第一個(gè)ReLU激活函數(shù)之后放置一個(gè)dropout層，使網(wǎng)絡(luò)規(guī)范化。最后，大幅度減少channel數(shù)。最終，設(shè)計(jì)的網(wǎng)絡(luò)可以生成對應(yīng)的殘差圖

可以滿足

1.3 損失函數(shù)設(shè)為FFT的真值，是基于Haar的DWT。然后可以設(shè)計(jì)三個(gè)新的損失函數(shù)：

總損失函數(shù)為

02 結(jié)果

如表所示，相對于基準(zhǔn)而言，本文所提出的網(wǎng)絡(luò)，在去噪方面可以有同樣甚至更好的性能；在召回率比DSOR低0.0310時(shí)，準(zhǔn)確率和IoU明顯高于其他所有的方法。速度比DSOR方法提升了52倍，比DROR方法提升了158倍?？紤]到激光雷達(dá)的采樣頻率一般是10Hz，那這種方法應(yīng)該是能夠滿足實(shí)時(shí)工作的最佳方案。

03 結(jié)論

這篇文章提出了一種專門用于惡劣天氣條件下點(diǎn)云去噪的深度卷積神經(jīng)網(wǎng)絡(luò)-LiSnowNet。這種網(wǎng)絡(luò)可以在沒有任何標(biāo)記數(shù)據(jù)的情況下進(jìn)行訓(xùn)練，與最先進(jìn)的方法相比，可以在7ms內(nèi)處理10萬個(gè)點(diǎn)，在降噪方面效果很好?？梢蕴岣呦掠稳蝿?wù)的質(zhì)量，例如雪天的地圖構(gòu)建。

審核編輯：郭婷