PGM-PCRM：一种适用于动态环境中小型无人机的轻量级、基于预测的激光雷达感知框架

《Displays》：PGM-PCRM: A lightweight prediction-guided LiDAR perception framework for small UAVs in dynamic environments

　　•实时感知技术被用于研究在变化场景中的小型无人机。•一种基于预测的方法可以匹配激光扫描中的移动物体。•通过重建碎片化的物体形状来保持跟踪的稳定性。•来自跟踪的反馈可以减少重复的检测错误。•飞行测试显示了实时避开移动障碍物的能力。

引言
随着低成本3D传感器和机载计算平台的发展，在复杂开放环境中的动态场景感知已成为3D感知和移动感知领域的一个关键研究课题。小型自主平台，如无人驾驶飞行器（UAV），在检查、物流、安全和应急响应等任务中需要持续感知周围的静态结构和动态物体，以便为后续的定位、跟踪和障碍物避让提供可靠的环境信息。在静态环境下的3D感知和自主导航方面已经取得了相当大的进展[1]、[2]、[3]、[4]、[5]。现在可以在静态世界假设下实现在未知环境中的平滑、安全和高速运动规划。然而，现实世界的应用环境通常包括行人、车辆和其他移动物体。在静态环境假设下开发的感知和规划方法难以直接处理这种时变场景。特别是在目标密集、运动速度高或频繁遮挡的情况下，系统必须迅速区分动态目标和静态结构，并稳定估计动态目标的运动状态，以提供安全的障碍物避让基础。对于小型自主平台来说，上述挑战由于载荷、功耗和尺寸的限制而变得更加复杂。这类平台通常无法携带高性能硬件，包括图形处理单元（GPU）或多个高精度传感器。基于学习的稀疏3D感知技术的部署成本取决于核心网络架构和可用的机载硬件。代表性方法可以实现高效的4D分割[6]、稀疏体素特征压缩[7]或多帧点积累[8]。然而，主要为自动驾驶平台开发的模型在部署到UAV或小型平台时仍然面临计算限制。尽管轻量级视觉神经网络[9]、[10]、[11]可以在资源受限的边缘平台上运行，但其检测和跟踪通常发生在二维图像空间中，这使得难以直接获得动态障碍物的精确三维尺寸和运动状态，而这些信息对于安全避障至关重要。因此，现有的基于学习的感知方法在小型平台上仍然难以在低计算开销与全面的3D状态估计之间取得平衡。基于事件相机的检测方法可以处理高速移动的目标[12]、[13]、[14]，但事件相机价格昂贵且感知静态结构的能力有限；因此，它们通常需要与其他传感器一起使用。

目前，小型平台的动态环境感知解决方案大多采用紧凑型深度相机作为主要传感器[15]、[16]、[17]、[18]。虽然这些传感器具有体积小、成本低和提供丰富多模态信息等优点，但由于其视野有限、感知范围受限以及对光照条件的敏感度，其在复杂或快速变化的环境中的性能会下降。在未知且拥挤的环境中，狭窄的视野进一步限制了跟踪范围，导致系统只能跟踪一小部分附近的移动物体。这会导致一些运动未被观察到，可能影响路径规划的安全性。因此，本文重点关注在包含多种物体类别、多样化的静态结构和频繁相互遮挡的复杂动态环境中的基于激光雷达（LiDAR）的动态感知问题。然而，物体几何形状和运动状态的不同，以及点云的稀疏性和遮挡效应，显著增加了检测和跟踪动态物体的难度。

为了解决这些问题，我们提出了基于预测的点云几何特征匹配（PGM）和先验引导的点云重建模块（PCRM），这两个模块构成了一个高效的LiDAR检测和跟踪框架。当前的基于聚类的方法通过匹配连续帧间点云簇的位置和统计特征来检测移动物体，但其性能在很大程度上取决于聚类的质量[19]、[20]、[21]、[22]、[23]。另一方面，基于点的最近邻方法则根据帧间点的位移来推断物体运动；然而，在噪声、观测稀疏、快速运动或遮挡的条件下，它们假设的点对应关系可能会失效[24]、[25]。在跟踪阶段，这些系统通常通过将卡尔曼滤波器预测的先验状态与检测器输出的聚类特征结合起来进行数据关联。因此，在现实世界场景中，由于点云稀疏和遮挡引起的聚类误差，以及检测器对预设阈值的敏感性，都可能降低数据关联的可靠性。相比之下，PGM使用预测的位移对候选点云簇进行对齐，并通过整合点级残差的均值、方向一致性和幅度一致性来验证帧间对应关系，从而在观测稀疏、帧间位移较大和存在遮挡的条件下提高点云关联和位移估计的可靠性。

对于已建立的轨迹，PCRM将跟踪器预测的运动状态和过程不确定性反馈到动态分割之前的预处理点云簇集中。受运动先验的约束，PCRM聚合属于同一物体的碎片化点云簇，并使用PGM来验证重建结果的几何一致性。因此，PGM-PCRM在动态分割和物体跟踪之间建立了一个闭环反馈机制，包括状态预测、点云重建和匹配验证，从而减轻了点云碎片化和观测间隙对轨迹连续性的影响。此外，PGM-PCRM采用了一种不依赖离线训练或GPU推理的类不可知设计。与基于学习的感知方法[6]、[7]、[8]相比，PGM-PCRM依赖于点云几何和帧间运动连续性，而不是学习到的语义或外观特征。因此，既不需要标记的训练数据，也不需要基于GPU的推理，并且在有限的机载计算能力下支持对先前未见物体的类不可知感知。然而，这种基于几何的设计不提供语义标签、外观线索或特定类别的运动先验。

主要贡献总结如下：
1. 提出了一种PGM方法，并在此基础上开发了一种动态物体检测方法。与传统最近邻匹配和簇中心关联相比，在涉及快速运动的复杂场景中实现了更稳定的帧间对应关系和动态物体检测，同时提供了更可靠的位移估计。
2. 开发了一种基于反馈的数据关联架构，其中包含PCRM。在PGM验证之前，将跟踪器预测的结果反馈回去重建碎片化的簇，从而减少了后续跟踪对聚类误差和预设帧间位移阈值的敏感性。
3. 设计并实现了一个轻量级的基于LiDAR的动态物体检测和跟踪框架，适用于小型UAV平台。在有限的机载计算资源下维持实时操作，同时支持对稀疏LiDAR测量的类别不可知状态估计，而无需依赖于基于学习的感知模型。
4. 通过仿真的系统评估、公共数据集实验和现实世界中的UAV部署，验证了该框架的有效性和实用性。

相关工作
本节主要回顾了基于LiDAR的动态环境感知的轻量级方法。基于学习的方法通过时间分割、体素特征压缩和多帧积累[6]、[7]、[8]来解决稀疏LiDAR感知的挑战。尽管这些方法在稀疏采样条件下增强了特征表示或信息保留，但将它们部署在小型无人机上仍可能受到机载计算、内存和功耗的限制。

系统概述
本文采用基于LiDAR的环境感知方案，并开发了一个适用于包含密集或快速移动物体的动态场景的高效自适应框架。该框架旨在减轻物体遮挡、误检测和跟踪不稳定性，而不依赖于深度学习，从而便于在计算资源有限的小型UAV上部署。如图1所示，LiDAR点云和姿态信息被作为输入，而动态物体...

动态点云分割
传统的动态点云分割算法在点云预处理后，为每个簇构建轴对齐的边界框，然后根据边界框中心之间的距离或交并比（IoU）度量[19]、[22]、[23]进行匹配。这种方法对于计算资源受限的平台非常高效，但在高密度、交叉的场景中容易产生误匹配，导致轨迹偏离或身份...

动态物体跟踪
在复杂场景中，如果移动物体的速度超过检测器的阈值，或者物体被其他物体或静态结构遮挡并分裂成多个小簇，跟踪器将无法匹配点云，从而导致跟踪丢失。为了解决这些问题，PGM-PCRM采用了一种基于反馈的数据关联架构，其中包含PCRM。跟踪器不是被动地接收来自检测器的动态物体，而是返回运动信息...

实验结果与评估
在本节中，PGM-PCRM在仿真环境、公共数据集和现实世界的闭环实验中进行了评估。首先，在受控仿真中与代表性的开源方法进行了定量比较，以评估动态物体检测、跟踪和运动状态估计。然后，将评估扩展到KITTI [35]和SIT [36]数据集，以检验该方法在不同物体大小、运动速度下的泛化能力...

结论
本文提出了一种基于LiDAR的动态物体检测和跟踪框架PGM-PCRM，适用于复杂动态环境。在检测阶段，识别出可疑的动态簇，并通过点级几何一致性匹配估计和细化它们的帧间位移，从而更可靠地区分动态和静态点云。在关联阶段，使用卡尔曼滤波器预测来指导点云级别的匹配，而碎片化的...

CRediT作者贡献声明
Zhuo Feng：撰写——原始稿件、方法论、软件、数据整理、验证、形式分析。
Rufei Zhang：资金获取、监督。
Zhisheng Wang：撰写——审阅和编辑、监督、资源提供。
Jiayu Fan：撰写——审阅和编辑、监督、调查。
Yujie Diao：资源提供、验证、可视化。
Yichen Li：数据整理、调查、验证。
Nannan Li：资金获取、监督。
Quan Ouyang：撰写——审阅和编辑、监督。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

作者列表：
Zhuo Feng | Rufei Zhang | Zhisheng Wang | Jiayu Fan | Yujie Diao | Yichen Li | Nannan Li | Quan Ouyang