点云压缩深度学习网络

构建一致的环境地图并在导航过程中使用它们的能力对于机器人、自动驾驶汽车和其他自主系统来说至关重要。 机器人和汽车需要地图来定位自身、规划高效且无碰撞的轨迹,以及执行许多其他任务。 因此,地图是任何地图或导航堆栈中的中心构建块。

然而,环境地图可能很大,尤其是在表示场景的 3D 几何形状时。 如今,大多数机器人和自动驾驶汽车都使用 3D LiDAR 扫描仪和摄像头来感知周围的世界,并使用这些数据构建地图。 现代车辆每秒生成千兆字节的数据,存储所有这些信息是一个挑战。

高效快速的压缩是现实世界中操作的关键

因此,传感器数据和地图信息需要被压缩以便存储和处理。 寻找一种允许紧凑存储和快速查询的有效表示是机器人学、计算机图形学和其他学科中的一个老话题。 一种流行的方式是通过八叉树,它提供分层和递归 3D 存储。 使用这些树的 OctoMap 等技术已经存在多年,并形成了当今的黄金标准。

OctoMap 的核心是一棵递归地将局部 3D 空间分解为 8 个块的树
机器学习提供了新的压缩方法

Louis Wiesmann 等人最近的作品。 提出了一种使用深度神经网络压缩密集 3D 点云图的新方法。 Wiesmann 的这种方法允许计算从大型环境中的自动驾驶车辆获得的 3D 点云数据的紧凑场景表示。

使用学习压缩将 40 GB 点云压缩为 200 MB 表示

它通过学习一组局部特征描述符来解决压缩问题,从中可以高效且有效地重建点云。 该论文提出了一种新颖的深度卷积自动编码器架构,该架构直接对点本身进行操作,因此不需要体素化。 这意味着与 OctoMap 或 Occupancy Voxel Grids 相比,不需要计算空间的离散化,这是一个很大的优势 - 无需事先承诺特定的分辨率。 该工作还描述了一种反卷积算子,用于从压缩表示中对点云进行上采样,从而以任意密度分解范围数据。

实现这一点的压缩和解压缩架构

他们的论文表明,与其他最先进的压缩算法相比,学习的压缩在相同的比特率下实现了更好的重建。 它还表明该方法可以很好地推广到不同的激光雷达传感器。

有不同类型的有损压缩/解压缩技术可用,但建议的一种效果最好; 顶部:输入数据; 底部:解压后的数据。

有关更多信息,请参阅:

L. Wiesmann、A. Milioto、X. Chen、C. Stachniss 和 J. Behley,“密集点云地图的深度压缩”,IEEE 机器人与自动化快报 (RA-L),卷。 6,第 2060–2067 页,2021 年。doi:10.1109/LRA.2021.3059633。论文 | 源代码 | 视频


原文链接:Compressing Dense Point Clouds using Deep Learning

BimAnt翻译整理,转载请标明出处