Detección y seguimiento de entidades de alta reflectividad en tiempo real mediante clustering adaptativo de nubes de puntos de LiDAR 3D
Barra lateral del artículo
Contenido principal del artículo
Resumen
Los algoritmos modernos de SLAM integran información semántica para mejorar la comprensión del entorno. La detección y segmentación de entidades características clave permiten una localización y un mapeo más precisos en entornos complejos como los que se enfrenta un vehículo parcial o totalmente automatizado.
Los algoritmos de SLAM semántico actuales no aprovechan completamente las características de los sensores LiDAR 3D como la reflectividad. En este trabajo se presenta un sistema integral para la detección y seguimiento en tiempo real de entidades de alta reflectividad como letreros, matrículas y señales de tráfico, utilizando datos de nubes de puntos provenientes de sensores LiDAR 3D. El uso de esta información para filtrar y rastrear objetos con alta reflectividad ha sido poco explorado en la literatura. Integrar la reflectividad mejora la precisión en la detección de objetos en entornos complejos a un coste computacional relativamente bajo.
El enfoque se fundamenta en procesar los datos de LiDAR para identificar y rastrear clústeres a lo largo del tiempo. Inicialmente, se aplica un filtrado a los datos de la nube de puntos basado en un umbral de reflectividad. Este proceso elimina los puntos que no tienen interés disminuyendo notablemente la densidad de la muestra original para el análisis a objetos de alta reflectividad, mejorando la eficiencia y precisión del procesamiento. Además, se emplea el algoritmo DBSCAN adaptado para funcionar en una segmentación regional para optimizar la identificación de clústeres en diversas zonas del espacio el cual se divide en regiones mediante umbrales de distancia, permitiendo ajustar dinámicamente los parámetros de clustering para mejorar la detección tanto de objetos cercanos como lejanos en los cuales la distancia y cantidad de puntos varían en función de la distancia al sensor. Para el seguimiento de objetos, el sistema asocia clústeres detectados en secuencias temporales basándose en la proximidad espacial. Se utiliza la marca de tiempo de la nube de puntos para determinar de manera precisa la diferencia de tiempo entre mediciones permitiendo estimar la velocidad instantánea de los objetos que han sido rastreados durante un número suficiente de escaneos LiDAR; esto permite determinar la persistencia de cada objeto, asegurando que solo los objetos relevantes sean considerados, eliminando falsos clústeres.
Los resultados demuestran la efectividad del sistema en entornos dinámicos reales de carretera, siendo capaz de detectar y seguir múltiples objetos de alta reflectividad en tiempo real, demostrando ser eficiente y robusto al manejar correctamente los casos sin detecciones, evitando conflictos en la gestión de identificadores de clústeres. A su vez, tras esta identificación, se pueden plantear clasificaciones más finas para incrementar la precisión en las estimaciones de posicionamiento y mejorar la calidad de la reconstrucción del entorno.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
Durrant-Whyte H. and Bailey T. “Simultaneous localization and mapping: Part I,” IEEE Robotics & Automation Magazine, 13(2), 99–110, (2006).
Yue X. et al., “LiDAR-based SLAM for robotic mapping: state of the art and new frontiers,” College of Engineering and Design, Hunan Normal University, (2022).
Zhao X. et al., “Mapping with reflection: Detection and utilization of reflection in 3D LiDAR scans,” Actas del IEEE International Conference on Robotics and Automation, Hong Kong, 2021.
Li L. et al., “DurLAR: A High-Fidelity 128-Channel LiDAR Dataset with Panoramic Ambient and Reflectivity Imagery for Multi-Modal Autonomous Driving Applications”, Actas del International Conference on 3D Imaging, Modeling, Processing, Visualization and Transmission, London, 2021.
Certad N. et al., “Road Markings Segmentation from LiDAR Point Clouds using Reflectivity Information” Actas del IEEE International Conference on Vehicular Electronics and Safety (ICVES), Bogotá 2022.
Viswanath K. et al., “Reflectivity Is All You Need!: Advancing LiDAR Semantic Segmentation,” Texas A&M University, arXiv:2403.13188, (2024).
Dubé R. et al., “SegMap: 3D Segment Mapping Using Data-Driven Descriptors,” Actas del Robotics: Science and Systems, Pennsylvania, 2018.
Cao Q. et al., “An Iterative Closest Point Method for Lidar Odometry with Fused Semantic Features”, Applied Sciences, 13, 12741, 1–12, (2023).