.png){kind=icon}
返回
Non-diffuse reflection noise point cloud elimination method for high-quality point cloud map construction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2026.105758.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
镜面反射、透射及其他现象将非漫反射噪声引入光探测与测距（LiDAR）点云中，为机器人自主导航、环境建模等基于点云的应用带来安全风险。现有方法普遍存在人为干扰和跨场景鲁棒性差的问题。为解决此问题，本研究提出一种基于改进Light Gradient Boosting Machine（LightGBM）的非漫反射噪声消除方法。针对独立点云簇，独立设计了19个特征以形成综合特征系统。在此基础上，通过计算特征间的Spearman等级相关系数（SRCC）进行特征降维，并提出采用基于密度的含噪声应用空间聚类（DBSCAN）协助LightGBM在不依赖分箱参数的情况下构建特征直方图。同时，设计了一种基于余弦相似度的特征双向筛选（CS-FBS）策略以构建最优分类特征子集，进一步提升了LightGBM的分类性能和效率，并通过遗传算法（GA）辅助获取最优训练参数集。最终，最优LightGBM模型用于检测并消除噪声点。实验表明，该方法在保证训练效率的同时提升了LightGBM的分类性能，噪声点正确检测率达到0.9257，非噪声点误检率降至0.0375，单帧点云处理时间为0.0372 s。在三个不同实际测量场景中，该方法相比对比方法实现了更优的整体检测性能和效率。在公开3DRef数据集上，该方法展现出良好的性能、鲁棒性和实用性，相较于原始建图结果显著提升了建图质量。
Keyword:
Point clouds
Non-diffuse reflection
Classification feature
Light gradient boosting machine
Mapping
