基于点云的建筑物结构增量式几何重建方法研究

《ISPRS International Journal of Geo-Information》：Research on Incremental Geometrical Reconstruction Method of Building Structures Based on Point Clouds

　　

随着智能无人系统的发展，从时序激光雷达点云（LiDAR point clouds）中及时重建建筑物结构对于室内移动测绘和结构感知具有重要意义。然而，许多现有重建方法依赖于完整或累积的点云，使其难以适用于局部观测、遮挡和连续更新场景。研究人员提出了一种基于激光雷达点云的建筑物结构增量式几何重建框架。该方法结合时间状态继承和正交投影（orthogonal projection），将三维点云处理转化为基于二维平面的轮廓更新。引入了一种基于透射关系（transmissive relationship）的孔洞检测策略，在完成部分未观测区域的同时保留真实的开口（如门窗）。仿真和真实世界实验表明，该方法能够恢复主要的平面建筑结构。在仿真场景中，该方法实现了CD-L1（倒角距离L1）为0.088 m，CD-L2（倒角距离L2）为0.007 m²，F1-score（F1分数）为0.901，单帧平均处理时间为1.02 s。实验结果表明，该方法为从时序激光雷达点云中进行近实时增量式建筑物结构重建提供了紧凑且可解释的基于平面的结构表示。

**研究背景与动机**
随着人工智能及机器人技术的快速发展，智能无人系统（如机器狗、人形机器人）在复杂动态环境（如城市作战、工业巡检）中面临高效感知的需求。传统基于预建地图和远程摄像头监控的管理模式难以满足动态环境下的实时感知要求。结构感知任务需从时序激光雷达点云（LiDAR point clouds）中及时重建建筑物结构，但现有方法多依赖完整或累积点云，难以处理局部观测、遮挡及连续更新。此外，环境结构可能动态变化，预先构建完整地图的场景受限。因此，研究人员提出一种增量式几何重建框架，旨在支持从时序点云中逐步更新紧凑的建筑结构模型，并发表在《ISPRS International Journal of Geo-Information》。

**研究内容与结论**
该研究提出了一种基于激光雷达点云的建筑物结构增量式几何重建方法，通过结合时间状态继承和正交投影，将三维点云处理转化为二维平面上的轮廓更新。引入基于透射关系（transmissive relationship）的孔洞检测策略，以区分真实开口（如门窗）与未观测区域。仿真和真实场景实验表明，该方法能够恢复主要的平面建筑结构，在仿真场景中实现CD-L1（倒角距离L1）为0.088 m，CD-L2（倒角距离L2）为0.007 m²，F1-score（F1分数）为0.901，单帧平均处理时间1.02 s。该方法提供了一种紧凑且可解释的基于平面的结构表示，支持近实时增量式重建，适用于室内移动测绘和结构感知任务。

**主要关键技术方法**
该方法核心包括以下关键技术：
1. **主平面检测算法**：水平面通过基于直方图脉冲检测的Z值统计方法识别；垂直面通过自上而下投影和图像线段检测（如高斯模糊、边缘检测、概率霍夫变换）提取参数。
2. **平面轮廓检测与生长机制**：基于梯度分析的点云生长方法，通过将点云投影到二维网格并分析像素梯度，实现平面点云的扩展。
3. **基于透射关系的孔洞点云生成**：利用激光雷达射线穿过开口时形成的透射点云，识别并保留真实孔洞区域。
4. **轮廓闭合校正**：基于平面间的正交投影关系，调整顶点以实现轮廓闭合。
（注意：样本队列来源为仿真场景及真实室内手持LiDAR采集数据，未涉及具体生物样本。）

**研究结果**
**4.1 仿真实验与定量结果**
在NVIDIA Isaac Sim平台构建仿真场景，包含典型建筑结构（墙壁、开口）。通过渐进式点云输入，该方法逐步完成主平面检测、轮廓生长和孔洞检测，最终重建出相对完整的结构轮廓。定量评估显示，CD-L1为0.088 m，CD-L2为0.007 m²，精度85.1%，召回率95.6%，F1-score为0.901，单帧平均处理时间1.02 s。下采样鲁棒性测试（采样率70%-90%）表明，最大水平偏移小于4 cm，透射孔洞检测能力稳定。

**4.2 透射孔洞检测策略的消融研究**
去除透射孔洞检测策略后，重建结果将真实开口（如门窗）错误填充为实心墙。定量对比显示，CD-L1从0.088 m增至0.152 m，CD-L2从0.007 m²增至0.038 m²，精度从85.1%降至71.1%，F1-score从0.901降至0.817。尽管召回率略有上升（因错误填充导致覆盖增加），但整体几何误差显著增大，证明该策略对区分真实孔洞至关重要。

**4.3 参数敏感性分析**
对网格分辨率（20-50 mm）、脉冲强度系数（0.1-0.7）和轮廓闭合阈值（200-600 mm）进行测试。结果表明，在默认参数附近，F1-score保持在0.883-0.907之间，CD-L1稳定在0.081-0.094 m，具备良好的参数鲁棒性。网格分辨率过大（60 mm）或脉冲强度系数特定值（0.3）会导致性能下降，但整体波动较小。

**4.4 与经典重建方法的比较**
与泊松重建（Poisson Reconstruction）和球面枢轴算法（BPA，Ball Pivoting Algorithm）对比。提出方法在CD-L1（0.088 m）、CD-L2（0.007 m²）和F1-score（0.901）上均优于泊松重建（0.102 m, 0.019 m², 0.893）和BPA（0.112 m, 0.015 m², 0.888）。处理时间方面，提出方法为1.02 s/10万点，泊松重建为0.35 s/10万点，BPA为19.58 s/10万点。提出方法虽非最快，但支持增量式更新，且输出紧凑的平面结构表示。

**4.5 真实场景重建实验**
使用Mid360 LiDAR在真实室内环境采集点云，通过Fast-LIO2配准。渐进式处理显示，随着点云输入，各平面轮廓被更新细化，即使在部分遮挡区域，完整墙结构仍被估计，门窗孔洞被准确重建，验证了方法的有效性。

**讨论与结论**
讨论部分指出，该方法在顺序点云、包含透射结构的场景及计算资源受限条件下具有优势，但处理效率随平面数增加而下降，且对非正交结构或复杂曲面鲁棒性不足。未来可结合学习方法和几何约束进行优化。
结论部分翻译：本文提出了一种基于激光雷达点云的建筑物结构增量式几何重建方法，旨在支持从复杂建筑场景中的时序点云进行结构更新。通过结合时间状态继承和空间几何互补，该方法将无序三维点云通过正交投影转换为不同平面上的二维点集，并利用二维图像处理和轮廓提取技术更新建筑物结构轮廓。通过集成点云生长和基于透射关系的孔洞生成策略，该方法在测试场景中能够恢复主要的平面建筑结构，同时保留门窗等开口。实验结果表明，该方法在标准CPU平台上每10万点帧的CD-L1为0.088 m，F1-score为0.901，平均处理时间为1.02 s，在规则平面建筑场景中实现了从时序激光雷达点云对建筑物结构的有效增量式重建。未来应用可能包括室内移动测绘、结构感知、智慧城市、灾害救援及军事领域，为需要紧凑可更新结构模型的无人系统提供潜在支持。