A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry in Driving Scenarios

这篇论文提出了一种基于标签一致性的动态点检测和去除方法，用于处理自动驾驶场景中的移动车辆和行人。现有的基于3D点的动态点检测和去除方法存在较大的时间开销，难以适应LiDAR-惯性测距系统。该方法被嵌入到自行设计的LiDAR-惯性测距系统中。在三个公共数据集上的实验结果表明，我们的方法能够以极低的计算开销（即1-9ms）在LIO系统中完成动态点检测和去除，同时实现与最先进方法相当的保留率和拒绝率，并显著提高姿态估计的准确性。我们已经发布了这项工作的源代码，以促进社区的发展。

本论文旨在解决自动驾驶场景中，现有的基于3D点的动态点检测和去除方法存在的计算时间开销大的问题，提出了一种基于标签一致性的动态点检测和去除方法，并将其嵌入到自行设计的LiDAR-惯性测量单元（LIO）系统中。

论文的关键思路是基于标签一致性的动态点检测和去除方法，该方法可以在自动驾驶场景中实现极低的计算时间开销（1-9ms），同时实现与现有最先进方法相当的保留率和拒绝率，并显著提高姿态估计的准确性。

论文的亮点包括：1.提出了一种基于标签一致性的动态点检测和去除方法；2.该方法可以在自动驾驶场景中实现极低的计算时间开销（1-9ms）；3.实验结果表明，该方法与现有最先进方法相比，在保留率和拒绝率方面具有相当的表现，并显著提高了姿态估计的准确性；4.研究使用了三个公共数据集，同时已经开源了代码，有助于社区的发展。

最近在这个领域中，还有一些相关的研究，例如：1.“PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud”；2.“Frustum PointNets for 3D Object Detection from RGB-D Data”；3.“Deep Continuous Fusion for Multi-Sensor 3D Object Detection”等。