GroundGrid:LiDAR Point Cloud Ground Segmentation and Terrain Estimation

本文介绍了一种名为GroundGrid的系统，通过2D高程图解决地形估计和点云地面分割问题，这对于自动驾驶车辆中LiDAR传感器的所有感知任务都是至关重要的前提。尤其是从点云中聚类和提取对象通常依赖于准确地去除地面点。正确估计周围的地形对于路面的可驾性、路径规划和障碍物预测等方面都很重要。作者使用SemanticKITTI数据集和一种新的基于空中LiDAR扫描的评估方法来评估GroundGrid的地面分割和地形估计性能，并将其与其他最先进的方法进行比较。结果表明，GroundGrid能够在保持高运行时性能（171Hz）的同时，以平均IoU为94.78%的性能优于其他最先进的系统。GroundGrid的源代码可在https://github.com/dcmlr/groundgrid上获得。

点云地面分割和地形估计是自动驾驶中激光雷达感知任务的重要预处理步骤。本文旨在提出一种基于二维高程图的系统GroundGrid，解决地形估计和点云地面分割问题。

GroundGrid系统使用二维高程图来解决地形估计和点云地面分割问题，并通过SemanticKITTI数据集和新的评估方法验证了其性能优于其他现有方法。

实验结果表明，GroundGrid系统在平均IoU为94.78%的情况下，保持高运行时性能（171Hz）。此外，研究人员还提供了源代码。

在这个领域中，还有一些相关研究，如Fast segmentation of 3D point clouds: A paradigm on LiDAR data?、A review of ground filtering techniques for LiDAR data和A comparison of ground filtering algorithms for airborne LiDAR data等。