HiMo: High-Speed Objects Motion Compensation in Point Clouds
作者: Qingwen Zhang, Ajinkya Khoche, Yi Yang, Li Ling, Sina Sharif Mansouri, Olov Andersson, Patric Jensfelt
分类: cs.CV, cs.RO
发布日期: 2025-03-02 (更新: 2025-11-30)
备注: 15 pages, 13 figures, Published in Transactions on Robotics (Volume 41)
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
HiMo：用于点云中高速运动物体运动补偿的场景流方法
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting)
关键词: 激光雷达 点云 运动补偿 场景流估计 自动驾驶 三维重建 动态物体
📋 核心要点
- 现有方法忽略了其他运动物体造成的点云扭曲，导致高速环境和多激光雷达配置下物体形状和位置误差。
- HiMo利用场景流估计进行非自车运动补偿，校正点云中动态物体的表示，从而解决上述问题。
- 实验表明，HiMo提高了动态物体的几何一致性和视觉保真度，改善了语义分割和3D检测等下游任务性能。
📝 摘要（中文）
激光雷达点云对于自动驾驶车辆至关重要，但动态物体的运动扭曲会降低数据质量。虽然之前的工作已经考虑了由自车运动引起的扭曲，但由其他移动物体引起的扭曲在很大程度上被忽视了，导致物体形状和位置的误差。这种扭曲在高速环境（如高速公路）和多激光雷达配置（重型车辆的常见设置）中尤为明显。为了解决这个挑战，我们引入了HiMo，一个将场景流估计重新用于非自车运动补偿的流程，从而校正点云中动态物体的表示。在HiMo的开发过程中，我们观察到现有的自监督场景流估计器在高速度扭曲下经常产生退化或不一致的估计。我们进一步提出了SeFlow++，一种实时场景流估计器，在场景流和运动补偿方面都达到了最先进的性能。由于文献中缺乏完善的运动扭曲度量标准，我们引入了两个评估指标：点级别的补偿精度和物体的形状相似性。我们通过在Argoverse 2、ZOD和一个新收集的真实世界数据集（包含高速公路驾驶和配备多激光雷达的重型车辆）上进行的大量实验验证了HiMo。我们的研究结果表明，HiMo提高了激光雷达点云中动态物体的几何一致性和视觉保真度，从而有益于语义分割和3D检测等下游任务。
🔬 方法详解
问题定义：论文旨在解决激光雷达点云中，由于动态场景中其他运动物体导致的点云扭曲问题。现有方法主要关注自车运动造成的扭曲，而忽略了其他车辆或行人的运动对点云质量的影响，尤其是在高速场景和多激光雷达配置下，这种扭曲会严重影响下游任务的精度。
核心思路：论文的核心思路是将场景流估计重新用于非自车运动补偿。通过估计场景中每个点的运动矢量，可以反向补偿这些运动，从而校正点云中动态物体的形状和位置。这种方法避免了直接建模复杂运动物体的运动模式，而是通过数据驱动的方式学习运动信息。
技术框架：HiMo的整体框架包含以下几个主要步骤：1) 使用激光雷达获取点云数据；2) 使用SeFlow++估计场景流；3) 利用估计的场景流进行非自车运动补偿，校正点云；4) 将校正后的点云用于下游任务，如语义分割和3D目标检测。SeFlow++是HiMo的关键组成部分，负责提供准确的场景流估计。
关键创新：论文的关键创新在于：1) 将场景流估计应用于非自车运动补偿，这是一种新颖的应用；2) 提出了SeFlow++，一种实时且高性能的场景流估计器，克服了现有方法在高速度扭曲下性能下降的问题；3) 提出了新的评估指标，用于评估运动补偿的精度和效果。
关键设计：SeFlow++的具体网络结构和损失函数细节未知，但论文强调其能够实时运行并达到state-of-the-art的性能。论文还提出了点级别的补偿精度和物体的形状相似性作为评估指标，用于定量评估HiMo的性能。具体的参数设置和训练细节在论文中可能有所描述，但摘要中未提及。
🖼️ 关键图片
📊 实验亮点
实验结果表明，HiMo在Argoverse 2、ZOD和一个新收集的真实世界数据集上均取得了显著的性能提升。特别是，SeFlow++在场景流估计和运动补偿方面都达到了最先进的水平。论文还提出了新的评估指标，为运动补偿算法的评估提供了新的标准。具体的性能数据和提升幅度需要在论文中进一步查找。
🎯 应用场景
该研究成果可广泛应用于自动驾驶、高级驾驶辅助系统(ADAS)、机器人导航等领域。通过提高激光雷达点云中动态物体的几何一致性和视觉保真度，可以提升感知系统的准确性和可靠性，从而增强自动驾驶车辆在复杂交通环境中的安全性。此外，该方法还可以应用于三维重建、虚拟现实等领域，提高动态场景的三维建模质量。
📄 摘要（原文）
LiDAR point cloud is essential for autonomous vehicles, but motion distortions from dynamic objects degrade the data quality. While previous work has considered distortions caused by ego motion, distortions caused by other moving objects remain largely overlooked, leading to errors in object shape and position. This distortion is particularly pronounced in high-speed environments such as highways and in multi-LiDAR configurations, a common setup for heavy vehicles. To address this challenge, we introduce HiMo, a pipeline that repurposes scene flow estimation for non-ego motion compensation, correcting the representation of dynamic objects in point clouds. During the development of HiMo, we observed that existing self-supervised scene flow estimators often produce degenerate or inconsistent estimates under high-speed distortion. We further propose SeFlow++, a real-time scene flow estimator that achieves state-of-the-art performance on both scene flow and motion compensation. Since well-established motion distortion metrics are absent in the literature, we introduce two evaluation metrics: compensation accuracy at a point level and shape similarity of objects. We validate HiMo through extensive experiments on Argoverse 2, ZOD, and a newly collected real-world dataset featuring highway driving and multi-LiDAR-equipped heavy vehicles. Our findings show that HiMo improves the geometric consistency and visual fidelity of dynamic objects in LiDAR point clouds, benefiting downstream tasks such as semantic segmentation and 3D detection. See https://kin-zhang.github.io/HiMo for more details.