论文速览 | Arxiv, 2024 | 使用Pillar-based PointGeneration Network增强雷达点云密度与质量 PillarGen: Enhancing Radar Po
无线感知/雷达成像部分最新工作 <持续更新>: 链接地址
注1:本文系“无线感知论文速递”系列之一,致力于简洁清晰完整地介绍、解读无线感知领域最新的顶会/顶刊论文(包括但不限于 Nature/Science及其子刊; MobiCom, Sigcom, MobiSys, NSDI, SenSys, Ubicomp; JSAC, 雷达学报 等)。
本次介绍的论文是: Arxiv, 2024 | 使用Pillar-based PointGeneration Network增强雷达点云密度与质量 PillarGen: Enhancing Radar Point Cloud Density and Quality via Pillar-based Point Generation Network
论文链接: https://arxiv.org/pdf/2403.01663.pdf
论文速览 | Arxiv, 2024 | 使用Pillar-based PointGeneration Network增强雷达点云密度与质量 PillarGen: Enhancing Radar Point Cloud Density and Quality via Pillar-based Point Generation Network
汉阳大学(Hanyang University)
1 引言
在机器人与自动驾驶领域中，点云数据通常会用于3D感知任务。然而，不同的传感器参数、设置会影响点云密度和强度分布，进而影响感知性能。 为了 提升低成本雷达点云的质量和密度 ，本文提出了一个新颖的点生成模型—— PillarGen ，它能够 将点云从一个域转换到另一个域 。
2 动机
当前的点云生成方法多关注于单个域内，而点云补全、上采样方法虽然能够提高密度，但大多是针对局部区域或单个物体的。现有方法难以准确捕捉复杂场景下整个点云的分布特征。
- 原因在于，大多数方法是基于输入点云特征展开生成点，导致 结果过于类似输入点云 。
- 而 PillarGen通过识别点生成区域并在这些区域内生成点，实现跨域生成多样、真实的点云。
3 方法
PillarGen分为三个步骤：
-
Pillar Encoding（PE） ：将原始雷达点转化为pillar特征。
-
Occupied Pillar Prediction（OPP） ：
- 识别用于生成合成点的active pillar
- 预测每个pillar的点中心坐标和生成点数K^{\prime}
-
Pillar to Point Generation（PPG） ：
- 基于OPP的信息，为每个active pillar生成K^{\prime}个合成点
- 调整点的位置、预测RCS和速度偏移
损失函数设计：
总损失为L_{total}=L_{opp}+L_{ppg},其中
- L_{opp}包括active pillar分类损失L_{opp-cls}、雷达属性回归损失L_{opp-reg}和点数预测损失L_{opp-bin}。
- L_{ppg}包括局部pillar内点集距离损失L_{ppg-local}和全局点集距离损失L_{ppg-global}。其中，局部损失计算pillar内预测点和GT点的距离，全局损失使用 RCD5D距离 来衡量整个点云的空间和雷达特征差异。
4 实验和结果
本文在自采集的雷达数据集（包括短程雷达和长程雷达）上进行实验，使用长程雷达监督短程雷达点云的密度和质量增强 。量化结果表明：
- PillarGen合成点云的分布接近长程雷达点云分布，优于其他点采样方法。
- 在PillarGen生成的点云用于BEV目标检测时，检测精度显著提升。
可视化结果进一步验证了 PillarGen生成点云的高密度和低噪声特性 ，以及 在预测雷达特定属性方面的优势 。
5 不足和未来展望
尽管PillarGen取得了较好的结果，但仍存在一些不足：
- PillarGen生成的点云仍然与真实长程雷达数据存在一定差距，可进一步提升生成质量。
- 本文主要关注从短程雷达到长程雷达的转换，可以探索更多不同域间的点云转换。
- pillar尺寸的选择可能影响PillarGen性能，需要进一步研究pillar分辨率的影响。
未来工作可以继续改进PillarGen的架构设计，例如引入注意力机制和对抗训练等。此外，将PillarGen扩展到多模态感知、自动驾驶仿真等应用场景也是有价值的研究方向。
6 总结
本文提出了PillarGen，一种基于pillar的点生成网络，用于跨域点云转换。PillarGen通过以下三个步骤实现：
- pillar编码 ：将输入点云编码为pillar特征
- occupied pillar预测 ：预测生成点的active pillar及其属性
- pillar到点生成 ：为每个active pillar生成合成点
实验结果表明， PillarGen在增强短程雷达点云密度和质量方面优于传统点上采样方法，且生成的点云用于目标检测可以显著提升检测精度 。这项工作为低成本雷达感知性能的提升提供了一种新的思路。