低分辨率激光雷达的点云聚类系统——基于DBSCAN算法
摘要
激光雷达点云聚类是物体检测与识别的关键环节。然而，对激光雷达庞大的点云进行聚类会给车辆上机的设备带来巨大的处理负荷。本文提出了一种基于密度聚类算法DBSCAN的低分辨率激光雷达点云聚类系统，通过卸载聚类任务并缩短处理时间来降低负载。为验证该系统的可行性，我们在现场可编程门阵列（FPGA）上实现了点云聚类加速器。实验结果表明，该系统将处理速度提升了39.5倍。
作者
Sangho Lee 电子工程系，首尔国立科技大学，韩国首尔
Seongmo An 电子工程系，首尔国立科技大学，韩国首尔
Raehyeong Kim 电子工程系，首尔国立科技大学，韩国首尔
Jongwon Oh 电子工程系，首尔国立科技大学，韩国首尔
Seung Eun Lee 电子工程系，首尔国立科技大学，韩国首尔
出版信息
期刊： 2024 IEEE International Conference on Consumer Electronics (ICCE) 年份： 2024 页码： 1-2 DOI： 10.1109/ICCE59016.2024.10444271 文章编号： 10444271 ISSN： Electronic ISSN: 2158-4001, Print on Demand(PoD) ISSN: 2158-3994
计量指标
论文引用数： 1 总下载量： 328
资助
- 韩国技术进步研究院
关键词
IEEE Keywords: 点云压缩, 激光雷达, 聚类算法, 目标检测, 逻辑门, 任务分析, 可编程门阵列
Index Terms: 点云, 点云聚类, 低分辨率 LiDAR, 处理速度, 目标检测, 目标识别, 基于密度的聚类, LiDAR 点云, 计算时间, 数据存储, 数据传输, 系统架构, 控制模式, 计算负载, 图像传感器, 边缘计算, 坐标数据, 硬件加速器, LiDAR 传感器, 像素索引, 数据通路
Author Keywords: 点云聚类系统, DBSCAN, Li-DAR, FPGA
未定义
SECTION I. 引言
最近，利用 LiDAR 传感器或图像传感器的目标检测和目标识别技术已被研究用于自动驾驶。聚类对于目标检测和识别至关重要，尤其是 LiDAR 点云聚类能够识别目标的位置和尺寸，甚至为两阶段检测生成边界框 1。
对 LiDAR 点云进行聚类的算法之一是基于密度的空间聚类（DBSCAN）算法。DBSCAN 算法采用基于密度的聚类，而非使用 K-Means 聚类或基于簇间距离的层次聚类。只要在指定半径内存在最小数量的点，就会根据随机选取的点生成簇。另外，当一个簇的核心点被另一个簇包含时，两个簇会合并为一个。如果一个点不属于任何簇，则将该点视为噪声。这些 DBSCAN 的特性使得 LiDAR 点云能够被聚类 2。
对大量 LiDAR 点云进行聚类需要进行重要的迭代计算，耗时显著，阻碍了自动驾驶中的实时目标识别。这一挑战在整合多种传感器的车载设备中尤为突出。处理海量点云会产生巨大的计算负荷，即使使用云计算也受到数据量限制，导致通信延迟，影响传感器响应 3.
边缘计算技术涉及在靠近传感器的地方进行数据处理。在车辆场景中，这种方法通过设计从 LiDAR 传感器或图像传感器计算数据的系统，降低了车载设备的计算负荷。此外，系统内基于 LiDAR 或图像数据运行的加速器的存在进一步减少了计算时间。在此前的研究中，已有将 DBSCAN 聚类方法应用于现场可编程门阵列（FPGA）的案例，成功实现了算法并取得了时间节省 4.
Fig. 1. 点云聚类系统的块图
本文提出了一种基于DBSCAN算法的低分辨率激光雷达点云聚类系统。该系统通过边缘计算对传感器附近的数据进行转换，从而减轻机载设备的计算负担，并通过仅传输结果并集成激光雷达点云聚类硬件加速器来减少处理时间。为减轻因大量数据使用导致的计算负荷，我们采用低分辨率激光雷达进行聚类，并执行整数量化等预处理步骤。
第 II 节. 系统架构
图 1 显示了所提出系统的整体架构。该系统由微控制器单元 (MCU)、SRAM 和激光雷达点云聚类加速器组成。该加速器包含一个串行外设接口 (SPI) 控制器、一个 SRAM 控制器、一个数据路径控制器和一个分组核心。
MCU 将 LiDAR 传感器点云的 x、y、z 坐标数据量化，按分组优先级对像素索引进行排序，并通过 SPI 将数据发送给加速器。同时，MCU 根据加速器传输的分组数据识别分组位置和尺寸。坐标数据在传输前被量化为 8 位整数以实现高效计算，像素索引与 MCU 中的法向量及像素坐标数据距离对齐，以提高聚类精度。加速器针对 MCU 传输的数据进行聚类处理，并传输得到的分组结果。
图 2. 实验环境
在分组核心中，聚类加速主要由其实现，而其他模块负责数据传输或存储。SPI 控制器模块在 MCU 与加速器之间接收并传输坐标数据以及已排序的像素列表。SRAM 控制器模块负责管理来自数据路径控制器的数据存储，包括聚类结果。数据路径控制器模块在 SPI 与 SRAM 控制器以及分组核心模块之间促进数据传输，处理数据接收、存储与传输。
基于 DBSCAN 方法的聚类在分组核心模块中执行。该模块利用 LiDAR 像素的索引来适配 DBSCAN 方法。以已排序的像素索引列表中的参考点为起点，对附近像素按顺序与参考点比较，以评估点密度。通过在分组核心中放置寄存器阵列，可以确认像素是否已被包含在某个分组中，从而降低聚类性能时间。每创建一次分组，都会将分组编号、像素索引以及像素索引一起保存到 SRAM。
第 III 节 实验
我们建立了一个系统，该系统包含一个点云聚类加速器，已部署在 Raspberry Pi 和 FPGA 上，用于系统验证，如图 2（a）所示。系统生成的群组如图 2（b）所示。实验中使用了来自 Pixset 的 Pixell LiDAR 数据集，总共包含 189 帧 5。为了验证系统的可行性，我们将使用 Python 框架在 CPU 上设计的系统的处理时间与我们提出的硬件加速器系统进行比较。对每个系统执行聚类时，记录了平均每帧 87.6 毫秒和 2.2 毫秒的时间消耗，分别如图 3 所示。结果表明，基于 FPGA 的系统在聚类计算时间上相较于基于 SW 的实现提升了 39.5 倍。因此，通过对实验结果的比较分析，所提出系统中的硬件加速器有效地实现了时间的显著缩短。
图 3. 实验结果
第四节. 结论
本文提出了一种低分辨率 LiDAR 的点云聚类系统。该系统通过加速器在短时间内实现高效计算。此外，我们通过仅将聚类结果传递给机载设备，降低了设备的计算负担。通过比较使用 SW 实现的系统与利用 FPGA 的系统的聚类时间，我们证明了所提出系统中的硬件加速器能够有效降低计算时间。