GPUプログラミングを使用したスパースライダー点雲のための高速空間クラスタリング方法

モバイル車両の環境を正確に認識するためには、高速かつ正確な障害物検出が不可欠です。光の検出と範囲（LIDAR）センサーによって感知された点雲はまばらで構造化されていないため、生のポイント雲にクラスタリングする従来の障害物は不正確で時間がかかります。したがって、未知の地形での高速な障害物クラスタリングを実現するために、このホワイトペーパーでは、グラフィック処理ユニット（GPU）プログラミングを使用して、標高参照接続コンポーネントラベリング（ER-CCL）アルゴリズムを提案します。LIDARポイントは、まずラスター化されたX-Z平面に投影されるため、スパースポイントが一連の定期的に配置された小さなセルにマッピングされます。ライダーポイントの高さ分布に基づいて、接地細胞が除外され、フラグマップが生成されます。次に、ER-CCLアルゴリズムがフラグマップから生成されたラベルマップに実装され、一意のラベルを持つ個々のクラスターをマークします。最後に、障害物の標識結果は、X-Z平面から3Dポイントに変換され、クラスタリング結果が得られます。リアルタイム3Dポイントクラウドクラスタリングの場合、ER-CCLはGPUプログラミングテクノロジーの使用と並行して実行することにより加速されます。

Fast and accurate obstacle detection is essential for accurate perception of mobile vehicles' environment. Because point clouds sensed by light detection and ranging (LiDAR) sensors are sparse and unstructured, traditional obstacle clustering on raw point clouds are inaccurate and time consuming. Thus, to achieve fast obstacle clustering in an unknown terrain, this paper proposes an elevation-reference connected component labeling (ER-CCL) algorithm using graphic processing unit (GPU) programing. LiDAR points are first projected onto a rasterized x-z plane so that sparse points are mapped into a series of regularly arranged small cells. Based on the height distribution of the LiDAR point, the ground cells are filtered out and a flag map is generated. Next, the ER-CCL algorithm is implemented on the label map generated from the flag map to mark individual clusters with unique labels. Finally, obstacle labeling results are inverse transformed from the x-z plane to 3D points to provide clustering results. For real-time 3D point cloud clustering, ER-CCL is accelerated by running it in parallel with the aid of GPU programming technology.