# 基于 3D LiDAR 的室内导航实时结构检测：使用鸟瞰图图像 Guanliang Li $^{ID}$, Pedro Espinosa-Angulo $^{ID}$, David Perez-Saura $^{ID}$, 和 Santiago Tapia-Fernández $^{ID}$ 马德里理工大学 , , 2026年4月21日 ## 摘要 高效的结构感知对于资源受限的机器人在地图构建和自主导航至关重要。现有的 3D 方法在计算上是不可行的，而传统的 2D 几何方法缺乏鲁棒性。本文提出一个轻量级、实时框架，该框架将 3D LiDAR 数据投影到 2D 鸟瞰图 (BEV) 图像中，以实现高效地检测与地图构建和导航相关的结构元素。在此表示中，我们系统地评估了几种特征提取策略，包括经典的几何技术（Hough 变换、RANSAC 和 LSD）以及基于 YOLO-OBB 的深度学习检测器。检测结果通过一个时空融合模块进行集成，以提高连续帧的稳定性和鲁棒性。在标准移动机器人平台上进行的实验突出了性能的明显权衡。诸如 Hough 和 LSD 之类的经典方法可以快速响应，但对噪声非常敏感，LSD 会产生过多的分割片段，导致系统拥塞。RANSAC 提供了更好的鲁棒性，但无法满足实时约束。相比之下，基于 YOLO-OBB 的方法在鲁棒性和计算效率之间实现了最佳平衡，同时保持端到端的延迟（满足 10 Hz 运行），并且在没有 GPU 加速的情况下，有效地过滤了低功耗单板计算机 (SBC) 中的混乱观察结果。这项工作的主要贡献是，提出了一种计算效率高的基于 BEV 的感知流水线，该流水线能够实现对资源受限的机器人平台上来自 3D LiDAR 的可靠实时结构检测，而无需依赖 GPU 密集型处理。源代码和预训练模型已公开可用。 关键词：3D LiDAR；鸟瞰图 (BEV)；实时机器人感知；资源受限机器人；结构识别；结构地图；YOLO-OBB ## 1 简介 随着机器人技术的快速发展，室内移动机器人 (IMR) 在工业物流、家庭服务和商业导览等各种应用中都显示出巨大的潜力。为了在这些复杂的环境中实现自主运行，机器人必须依靠同时定位与地图构建 (SLAM) 来实时感知其周围环境 $^{[1, 2, 3]}$。虽然传统的 SLAM 系统可以有效地构建占用栅格地图以进行碰撞避免，但高级的自主任务需要对环境有更深入的理解，特别是语义结构化地图。识别诸如墙壁和房间之类的结构元素对于语义导航、逻辑路径规划和人机交互至关重要。随着传感器技术的进步，3D 光探测与测距 (LiDAR) 已成为室内感知的首选传感器，因为它比相机具有更高的深度精度和对光照变化的鲁棒性 $^{[4, 5, 6]}$。 --- 然而，处理高保真 3D LiDAR 数据对配备资源受限的板载计算机的移动机器人来说是一个重大挑战。现有的方法通常分为两个极端。一方面，3D 语义分割网络具有很高的精度，但会产生巨大的计算开销，通常需要高端 GPU，这对于受功率和重量限制的电池供电嵌入式系统来说是不切实际的。另一方面，在 2D 切片上运行的传统几何方法在计算效率上具有优势，但缺乏鲁棒性。在布满家具和动态物体的拥挤室内环境中，这些方法通常无法区分结构墙和瞬态障碍物，从而导致地图出现噪声和碎片。因此，缺乏一种能够实现 3D 级鲁棒性同时保持 2D 级计算效率的感知解决方案。 为了填补这一差距，本文提出了一种轻量级实时房间检测模块，该模块专为机器人系统的板载设备设计。我们的核心策略是利用降维：我们将丰富的 3D 点云投影到 2D 鸟瞰图 (BEV) 表示中，从而有效地过滤掉天花板和地面的噪声，同时压缩数据量。基于此框架，我们引入了一个模块化流程来提取结构特征。我们实施并系统地评估了一系列轻量级方法，包括传统的几何拟合算法（如随机抽样共识 (RANSAC) 和霍夫变换）以及现代计算机视觉和深度学习技术，特别是线段检测器 (LSD) 和 YOLO。通过直接比较这些不同方法的性能，我们确定了最佳解决方案，该解决方案在几何精度和计算效率之间实现了最佳平衡，适用于嵌入式应用。 本文的主要贡献总结如下： 1. 轻量级感知流水线的设计：我们提出一个端到端框架，将原始 3D LiDAR 数据转换为语义向量地图。通过 BEV 投影和模块化设计（ROS2），该系统可以在资源受限的硬件上实现实时性能。 2. 提取范式的比较分析：我们对多种特征提取策略进行了系统评估，包括 RANSAC、霍夫变换、LSD 和 YOLO（您只需看一次）。该分析强调了推理速度、抗噪声性和几何精度之间的权衡。 3. 鲁棒时空融合：我们实现了一个轻量级后处理模块，该模块使用时间数据关联和生命周期管理来融合单个帧的检测结果。这确保生成一个全局一致且干净的房间结构地图，从而有效地过滤掉动态杂波。 本文的其余部分组织如下：第 2 节回顾了基于 LiDAR 的映射的相关工作。第 3 节概述了高级系统架构。第 4 节详细介绍了数据处理和特征提取的具体算法。第 5 节介绍了不同场景下的实验验证和性能分析。最后，第 6 节总结了本研究。 ## 2 相关工作 本节对基于三维点云的特征提取和语义理解的主流方法进行了全面回顾。我们首先研究深度学习方法，具体分析检测精度和计算成本之间的权衡。随后，我们探讨传统的几何特征提取算法，并重点介绍了这些算法在应用于复杂、非结构化环境时的局限性。最后，讨论集中在投影计算机视觉技术。我们对三种特定范例（直线检测、语义分割和目标检测）进行了比较分析，评估了它们在实时机载系统中的适用性和性能。 ### 2.1 三维点云语义理解 深度学习的出现显著增强了机器理解三维空间的语义能力。PointNet [^7] 代表一种开创性的方法，可以直接处理 --- 非结构化点云。该方法利用共享的多层感知器（MLP）独立提取逐点特征，并采用最大池化来聚合全局信息，从而实现端到端的分类和分割。其后继者PointNet++ [^8] 引入了一种分层特征学习机制，该机制在多个尺度上聚合局部邻域特征，从而显着提高了对精细模式的识别能力。尽管这些方法具有更高的准确性，但它们严重依赖于k近邻（k-NN）搜索和球查询操作。这些操作通常会导致计算复杂性呈超线性增长，这阻碍了在低功耗机载平台上实现实时执行 [^9]。 相反，基于体素的卷积神经网络（CNN）试图将不规则点云转换为规则网格，以促进高效的3D卷积的应用。VoxNet [^10] 是第一个将点云体素化后再将其输入到3D CNN中进行物体识别的方法。OctNet [^11] 通过使用八叉树结构进一步优化了稀疏空间中的存储效率。然而，体素化方法存在分辨率和内存消耗之间的固有权衡：低分辨率会导致信息丢失，而高分辨率会导致不可容忍的内存使用。尽管最近的工作，如PVCNN [^12]，试图结合点云和体素表示的优点以减少计算开销，但将这些依赖GPU的3D网络部署到资源受限的嵌入式平台上仍然是一个重大挑战。 ### 2.2 特征提取的几何方法 ### 2.2 特征提取的几何方法 传统的几何方法基于环境结构（例如墙壁）符合特定数学模型（例如平面或直线）的假设。这些方法通常通过统计迭代从噪声数据中估计参数。此类算法的范例包括 RANSAC 和霍夫变换。 RANSAC [^13] 是一种鲁棒的参数估计技术，它通过随机采样构建假设模型，并通过验证共识集（内点）来拒绝异常值。由于其固有的抗噪声能力，RANSAC 广泛用于点云中的平面拟合。 尽管 Schnabel 等人 [^14] 和 Li 等人 [^15] 通过引入法向量约束和网格预处理来优化其效率，但 RANSAC 的性能仍然高度依赖于迭代次数。 在拥挤的室内环境中，大量的非结构化物体（例如家具和设备）构成了异常值的很大一部分。 这迫使算法执行过多的无效迭代，导致无法控制的计算延迟。 此外，RANSAC 缺乏语义理解能力，并且容易将线性排列的障碍物误分类为结构墙。 Hough 变换 [^16]，相反，将检测问题转化为在参数空间中进行峰值搜索。它特别适用于检测由于遮挡而导致的分段边界。然而，其核心局限性在于参数空间的量化。为了确保墙壁定位的高精度，需要一个非常精细的参数网格。这会导致内存消耗呈指数级增长，这使得难以满足嵌入式系统的实时要求 [^17]。 因此，虽然几何方法在简单场景中效率很高，但在复杂环境中，它们面临着计算效率和语义可区分性的双重挑战，这无法提供高级的语义信息。 #### 2.3 基于图像的特征提取范式 为了在计算效率和感知能力之间取得平衡，将 3D 点云投影到 2D 表示（例如，俯视图或范围图像）并应用成熟的计算机视觉技术已成为一种普遍趋势。根据输出格式，这些方法可以分为三大范式：传统线检测、语义分割和目标检测。 --- #### 2.3.1 传统线检测 LSD [^18] 是一种基于图像梯度的线性特征提取算法，其特点是无需参数且计算效率高。 许多研究尝试将 LSD 应用于点云投影 [^19]，或者将其与深度学习相结合以优化梯度场（例如，DeepLSD [^20]）。 然而，在复杂的室内环境中，俯视图像通常包含大量的噪声。 由于缺乏语义感知，LSD 无法区分“墙壁边缘”和“杂物边缘”（例如，家具）。 这种限制导致检测输出包含大量的虚假正例，严重降低了最终地图的质量。 #### 2.3.2 语义分割网络 随着卷积神经网络 (CNN) 的发展，像素级分类方法已成为提取环境特征的常用方法。 著名的例子包括应用于鸟瞰图 (BEV) 的 U-Net [^21]，或应用于范围图像的 SqueezeSeg [^22] 和 RangeNet++ [^23]。 这些模型有效地捕捉局部上下文，以实现端到端的语义分割。 然而，分割模型的输出本质上是由非结构化的像素掩码组成的。 为了获得矢量地图所需的几何参数（如墙壁段），系统需要复杂的后处理步骤，例如骨骼化或轮廓拟合。 这种“分割+拟合”流程不仅会引入计算冗余，而且容易出现离散误差，这使得难以满足高精度矢量地图的严格要求。 ## 2.3.3 目标检测网络 为了克服上述局限性，目标检测提供了一种更直接的解决方案。 YOLO 系列 [^24] 以其高效的架构而闻名，已成为实时视觉任务的最佳选择之一。 与分割网络不同，YOLO 是一种端到端的检测器。 具体来说，定向边界框 (OBB) 版本可以直接从点云俯视图 [^25] 回归墙壁的几何参数（中心、尺寸和角度）。 这种输出格式具有“开箱即用”的实用性，无需复杂的后处理。 此外，训练好的神经网络具有固有的降噪能力，能够从混乱的背景中提取结构特征。 尽管计算量略高于纯几何方法，但完全能够满足实时要求。 总之，传统的 LSD 缺乏对噪声的鲁棒性，而基于分割的方法则存在后处理瓶颈。 相比之下，YOLO-OBB 检测方案在数据结构一致性、抗噪声能力和推理速度之间实现了最佳平衡。 因此，它被指定为本研究的核心特征提取模块。 ## 3 房间结构元素检测模块设计 所提出的检测模型旨在在功能、鲁棒性要求和有限的计算资源之间实现良好的平衡； 目标是提供一种可在小型 PC 或安装在机器人上的单板计算机 (SBC) 上运行的检测流水线。 图 1 中的图示说明了模块流水线。 此流水线的关键思想是基于降维的映射策略，作为第一步，然后提取抗干扰特征。 与直接处理 3D 点云不同，此策略处理来自 LiDAR 传感器的原始范围数据，以生成柱坐标的点云。 由于给定传感器的方位角是固定的，高度对于平面地图来说并不绝对，因此只有一种坐标，即半径，与该问题相关。 此外，点云被表示为图像，其中 LiDAR 传感器位于图像中心，并且点云中的每个点都转换为一个黑色的像素，其索引通过半径和一个像素与长度之间的比例因子计算得出。 这样，点云 --- ![Image](images/6d2affc36c324b18b47cbee83754eb38c65a64862bad977970082a4e73a55b5b.jpg)
Figure 1: Wall and Room Recognition Module Architecture. The pipeline details the modular process of transforming raw 3D LiDAR data into semantic structural elements via 2D projection and geometric feature extraction.
被压缩成 2D BEV，从而显着减少数据大小，并使我们的流水线能够使用计算机视觉方法检测结构对象。 在预处理步骤之后，系统使用后续的特征提取算法对图像进行处理，以识别几何特征，并利用地图构建模块进一步消除错误，最终构建清晰准确的楼层地图。由于存在大量的计算机视觉算法可以提取这些特征，并且它们在执行时间和结果质量方面的性能很难预测，因此该管道的设计是使用其中任何一个算法。为此，系统架构基于 ROS2，每个算法都已转换为节点，可以轻松地替换为其他替代方案，从而提供灵活性，并允许为评估算法提供公平的比较环境。 几何特征提取模块用于结构化环境感知和拓扑提取，即，它寻找围绕机器人的墙壁、柱子、角落和其他结构对象。实际上，此模块由一组节点组成，这些节点实现来自经典计算机视觉和神经网络模型的算法，这些算法处理俯视图像并提取已识别对象的 位置。 在识别俯视图像中的元素后，对这些元素进行预处理，以生成语义元素的结构，即，一种主要包含墙壁、柱子和其他结构元素的结构。此模块的重要之处在于，元素的位置不是与传感器位置相关的；而是与彼此相关。使用这种方法会生成一个包含元素及其相对位置的图。由于结构元素不会移动，因此此图及其值不会随着时间的推移发生太大变化；实际上，变化是传感器噪声和算法在提取几何信息时产生的误差。因此，可以通过简单的过滤方法提高精度。 全局地图集成是一个节点，用于集成连续的俯视图像及其分析的信息；该模块的任务是构建地图以跟踪结构元素的位置随时间的变化。通过这样做，它可以实现对结构元素的稳定识别。元素将通过编号和类别进行识别；也就是说，即使机器人移动到环境中，相同的实际元素也会使用相同的编号和类别进行识别。 最后，最后一个模块，一个用于其他地图软件的输出接口，将所有计算的数据准备好供大型系统使用。此管道既可以用作独立的 SLAM 模块，也可以用作更全面和复杂的语义 SLAM 系统的检测子系统。作为一个独立的软件，来自全局地图集成的的信息可以用于构建地图并估计机器人的位置，而此模块可以生成已识别对象的列表及其相对于传感器的相对位置，这些信息可以用于基于图的优化进行 SSLAM。 每个阶段的完整描述将在下一节中给出。 --- ### 4 特征提取和地图构建方法 基于第3节中提出的模块化系统架构，本节详细介绍了旨在最大限度地提高资源受限的嵌入式平台的计算效率的感知流水线的实现。 遵循2.1节中的分析，3D点云语义理解网络计算密集，因此在本研究中被排除。 而是，我们专注于轻量级策略，这些策略作用于投影的2D表示，以实现超过激光雷达常见频率的实时性能，即10Hz以上。 该方法结构遵循系统的数据流，如图2所示。 首先，我们介绍一种降维技术，该技术将原始3D激光雷达数据转换为2D特征空间。 随后，我们选择一组轻量级特征提取算法，范围从传统的几何拟合到现代的基于学习的检测，并详细说明它们的具体实现。 如第2节中所述，具体实现包括RANSAC和Hough变换、LSD以及YOLOv8n-obb。 这些算法的选择是为了代表统计参数估计、图像梯度分析和深度对象检测的范例。 最后，我们描述了一个数据后处理框架，该框架旨在过滤噪声并将离散的检测结果集成到全局一致的语义地图中。 ![Image](images/94e90ae70f51606d5ab61de04f3a36d2a90b65bc571d949395499c54a7f20194.jpg)
Figure 2: System Architecture Diagram. The system comprises five ROS2 nodes, categorized into three functional modules based on the data processing pipeline: Data Interface, Feature Detection, and Feature Fusion.
### 4.1 点云扁平化 对于垂直墙壁的特定检测目标，利用其在垂直方向上的几何一致性，本节提出了一种基于高度压缩的降维预处理算法。 该方法将沿z轴的三维空间信息投影到二维平面上，从而将复杂的三维点云分割问题转换为二维平面内的特征提取任务。 该策略充分利用了激光雷达的测量误差特性，即当多个激光束撞击相同的垂直墙壁表面时，投影的二维点云会显示出具有一定厚度的带状分布，这是由于测量噪声造成的。 这种统计特征极大地促进了后续的点云分割和边缘识别。 此外，通过降维，该方法显着降低了算法的时间复杂度以及硬件计算要求。 具体来说，该算法由以下三个核心步骤组成： ### 1. 3D笛卡尔变换 基于激光雷达阵列固有的水平方位角和垂直俯仰角参数，传感器输出的原始距离数据R被映射从球面坐标系到3D笛卡尔坐标系 $(x, y, z)$，从而恢复了环境的真实空间结构。 --- ### 2. 高度阈值过滤 在3D激光雷达扫描模式中，地面和天花板通常表现为高密度的同心环形点云，这会对检测侧壁产生重大干扰。 使用在步骤1中获得的高度信息（z轴），该算法定义一个感兴趣区域（ROI），并直接删除z值超出设置范围的点云数据，从而过滤地面和天花板点，仅保留代表潜在垂直结构的数据。 ### 3. 2D投影生成和存储 提取并重新整理所得点云的 $(x,y)$ 坐标，形成一个二维点集，然后将其存储在内存中。这种标准化的二维数据格式具有很强的兼容性，可以直接作为后续模块的输入基础。 通过上述过程，该算法有效地避免了与 3D 空间计算相关的较高计算成本。虽然大大降低了数据维度，但它完全保留了环境中的关键几何特征（垂直墙壁轮廓），为实时检测奠定了基础。 #### 4.2 特征提取算法 低维点云的处理取决于所使用的算法。在本研究中，我们将方法分为两大类：（1）直接基于点的处理和（2）通过俯视投影进行的基于图像的处理。 第一种方法由 RANSAC 使用，它直接对点云的离散 $(x,y)$ 坐标进行操作，以拟合数学模型，而无需进行光栅化。 第二种方法涉及将点云转换为 2D 图像。此步骤对于 YOLO 和 LSD 来说是强制性的，因为它们本质上是计算机视觉算法，旨在从像素网格中提取特征。此外，虽然霍夫变换理论上可以作用于离散点，但我们在本实现中将其归类为基于图像的方法。这是为了利用 OpenCV 库中提供的优化良好的概率霍夫变换，该变换需要二进制图像输入。 生成的图像用作占用网格，形成一个二进制图像，与检测到的点云相结合。由于 LiDAR 的分辨率约为 2-3 厘米，因此网格中的每个像素代表此空间范围。但是，如果未正确管理，则使用占用网格会导致较高的计算成本，因为单元格总数会随着地图维度的线性增加而呈平方增长。 因此，为了在计算资源消耗和操作要求之间取得平衡，最大场景范围设置为约 40 米，这对应于 $4096 \times 4096$ 像素的图像分辨率。以下部分介绍了各种检测方法。 #### 4.2.1 基于 DBSCAN 的 RANSAC 为了解决全局 RANSAC 应用固有的计算效率低下和对异常值的敏感性，本研究实施了一种混合的两阶段流程，该流程将基于密度的空间聚类（DBSCAN）与 RANSAC 结合。与在整个点云上进行盲目搜索不同，这种策略将特征提取任务分解为粗粒度的聚类和细粒度的拟合。 首先，使用 DBSCAN 对 2D 投影的点云进行基于密度的聚类。此步骤有效地将高密度结构区域（潜在的墙壁和障碍物）与稀疏的环境噪声分离，将空间相邻的点分组到独立的聚类中。通过回答“哪些点属于同一对象”的问题，DBSAC 作为一种空间过滤器，将非结构化的全局数据重新组织为离散的局部子集。在实际操作中，必须根据 LiDAR 分辨率和场景范围设置邻域半径和最小邻居数量阈值，以实现正确的聚类并提高 RANSAC 的运行速度。因此，该方法的一个缺点是它无法自动实现全场景覆盖。 --- 随后，使用最小采样点数和残差阈值的 RANSAC 算法应用于识别的簇。在这些受约束的子集中，RANSAC 拟合线性模型以提取精确的墙壁轮廓，并输出最佳的线段参数。这种分而治之的方法显著减少了几何拟合的搜索空间，从而降低了所需的迭代次数。此外，由于 DBSCAN 预先过滤了离散噪声，因此 RANSAC 的输入质量得到提高，从而提高了模型的稳定性和最终墙壁表示的准确性。 #### 4.2.2 Hough 变换 为了进行基于图像的几何提取，本研究采用概率 Hough 变换 (PHT) 来识别线性结构元素。与标准 Hough 变换不同，后者将每个边缘像素映射到参数空间，概率变体通过分析足以检测线特征的随机点子集来最大限度地减少计算量。这种效率对于系统的实时约束至关重要。直接采用了 OpenCV 库中的 PHT 算法，并设置了特征空间单元和最小线段长度。最后，将检测到的线段从像素坐标系逆变换到 LiDAR 坐标系，以填充空间特征集。 在特定情境下，其使用比其他场景更简单。虽然目标图像通常需要进行预处理，例如 Canny 边缘检测器，但在本例中，由于图像是二元的，因此无需此步骤。 #### 4.2.3 LSD 作为基于投票的 Hough 变换的比较替代方案，LSD 用于基于图像梯度提取特征。该算法的特点是其线性时间执行和无参数特性，这避免了其他几何方法所需的阈值手动调整。在本研究中，使用了来自 OpenCV 库的标准 LSD 实现，并配置了标准精炼以提高端点的精度。与 PHT 流程类似，该检测器直接处理 BEV 图像，无需先进行边缘提取，从而生成像素坐标系的线段列表。然后，这些线段通过内部分辨率参数映射回机器人的度量参考系，从而生成用于映射系统的几何约束集合。 请注意，Hough 变换和 LSD 都用于识别墙壁边缘，检测结果需要进一步融合和骨架化，以实现准确的墙壁位置识别。 ### 4.2.4 YOLO YOLO 是一种在深度学习和计算机视觉领域广为人知的神经网络架构。它主要用于图像中的目标检测。自其问世以来，已经提出了许多架构来改进以前的版本，从而不断提高其功能。 YOLO 在工作场所的应用是其作为一种抗噪声方法的优势的体现，并且能够检测多个类别的对象。使用的版本是 YOLOv8-obb，因为为了以尽可能高的精度获得场景的结构元素坐标，必须使用方向边界框来正确捕获无论其空间位置如何的元素。 地图尺寸的限制（$4096 \times 4096$ 像素）是基于预期的运行环境。从建模的角度来看，由于训练过的 YOLO 模型的标准输入尺寸为 $1024 \times 1024$ 像素，因此选择的地图分辨率可确保图像下采样因子不超过四。超出此阈值的调整会导致精细细节的过度损失，这被认为会损害检测精度。 尽管如此，与 YOLO 相关的优势——类似于其他神经网络模型——在没有足够广泛和多样化的数据集的情况下无法实现，该数据集允许在各种情况下进行训练，例如遮挡、噪声以及对象的不同旋转和位置。 这与诸如霍夫变换或 LSD 之类的替代方案相比是一个缺点，因为，我们所知，没有针对我们可用的传感器类型获得的鸟瞰图 (BEV) 图像的标注数据集。 因此，数据集的创建是本文中完成的工作的一部分。 --- 采用我们现有传感器采集得到的带标注BEV（鸟瞰图）图像数据集。因此，该数据集的构建是本文所开展工作的一部分。 训练所用数据集由数字程序生成的合成图像构成。使用合成图像生成器的核心逻辑在于，它能够生成种类极为丰富的场景，仅依靠真实世界数据采集要实现这一点并不现实。除了真实场景多样性本身存在固有局限性之外，真实图像还需要人工标注，这会大幅提升数据集构建的成本。反之，合成图像生成可以实现全自动标注，整套数据集仅需数分钟即可生成完成。合成扫描与真实扫描的对比如图3所示，加入噪声模拟进一步提升了模型的鲁棒性，缩小了真实环境与模拟环境之间的差距。 ![Image](images/6a54eedbe0ff07e81be65d444aa6512302ad7ce0c1c478818c0fc2f4df738d36.jpg)
Figure 3: Qualitative Comparison between a Real LiDAR BEV Scan and a Generated Synthetic Training Sample. The correspondence arrows illustrate the high fidelity of the proposed generation pipeline in mimicking real-world sensor characteristics: (Top) Continuous wall structures are automatically annotated with green OBBs (Class 0); (Middle) Real-world noise patterns are injected to simulate sensor artifacts; (Bottom) Discrete obstacles like columns are instantiated with red OBBs (Class 1). This visual similarity ensures a minimal domain gap for model training.
在大多数情况下，合成图像生成既复杂又具有挑战性，但在这种情况下，情况相对简单，因为室内俯视图图像具有高度的可预测性。这些图像主要由由墙壁界定的、通常形成$90^{\circ}$的房间组成，其中包含柱子和其他障碍物。为了增强墙壁检测的鲁棒性，已将来自真实场景的真实噪声补丁合并到合成图像中，这些补丁要么随机应用于整个图像，要么专门覆盖在墙壁上。使用 YOLO Nano 获得的训练结果（由于需要在有限的硬件上实现高推理速度）显示出出色的性能，并且在过渡到真实场景时，性能下降很小。这表明，所提出的数据生成方法在很大程度上保留了与真实条件相似的特征，从而大大减少了在部署训练模型时使用域自适应技术的必要性。 #### 4.3 数据后处理 上述特征提取模块的输出通常由离散的线段组成。但是，由于环境遮挡和固有的测量噪声，这些原始检测结果通常存在碎片化和不稳定现象。因此，一个后处理模块对于从碎片化的线段重建完整的墙壁结构以及通过数据融合提高定位精度至关重要。此模块的主要目的是统一碎片化的墙壁线段，并将来自多个时间周期（帧）的检测结果集成在一起，以生成高精度的全局地图。总体工作流程如图 4 所示，该图将处理流程组织成两个 --- 主要节点：特征空间融合和多周期融合。 ![Image](images/3c375cfdda59484c2e74ba4848f48e0d485e70671adffd884135e1d7d2e94dd3.jpg)
Figure 4: Flowchart of the Data Post-processing and Fusion Algorithm. The process is divided into two main stages: the Local Fusion Node for feature extraction and spatial merging, and the Global Fusion Node for multi-epoch data fusion and noise filtering.
#### 4.3.1 特征空间融合 本地融合节点的主要目标是将当前BEV帧中检测到的碎片化段统一成一组简洁的几何原语。 1. 特定于检测器的预处理：该流程首先处理不同的检测器特性。由于LSD和Hough变换倾向于生成由双边组成的墙壁轮廓，因此应用“合并墙壁轮廓”步骤以将这些结构合并为单个具有代表性的线，如图5所示。 2. 极坐标参数化与滤波：每一个检测得到的线段最初由其端点$(x_1, y_1, x_2, y_2)$表示，之后会被转换为极坐标表示$(\rho, \alpha, d_1, d_2)$。其中，$\rho$是原点到包含该线段的无限延长直线的垂直距离，$\alpha$是该直线法向量的角度（即垂直于直线的方向）。参数$d_1, d_2$是垂足沿直线方向到线段两个端点的带符号距离。该表示方法避免了竖直线的奇异性问题，还自然地将直线的方向与线段的范围解耦。长度$|d_2 - d_1|$低于预定义阈值$\tau_{len}$的线段会被当作噪声丢弃，仅保留长度足够、能够表示有效墙体结构的线段。 --- ![Image](images/452dc0a4de30970f6fdbcebf12b951a95a9ffe28179255604fe2dc6e4c92ab3b.jpg)
Figure 5: Merge Wall Envelopes for LSD and Hough Transform. Illustration of the merge wall envelopes step, consolidating double-edge structures into a single representative line.
3. 使用自定义距离度量进行空间聚类：为了将属于同一物理墙壁的碎片化检测结果进行分组，我们使用带有预计算距离矩阵的DBSCAN。两个线段 i 和 j 之间的距离定义为三个归一化分量的最大值： $$ D_{i j}=\operatorname*{m a x}\left(\frac{\Delta d}{\tau_{d}},\frac{\Delta\theta}{\tau_{\theta}},\frac{\Delta o}{\tau_{o}}\right), $$ 其中： • $\Delta d$ 是两个线段之间的欧几里得距离，计算为从一个线段的端点到另一个线段的无限线的四个点到线的距离中的最小值。这捕捉了空间邻近性。 $\Delta\theta$ 是两个线段方向之间的角度差异，通过取 $\Delta\theta = \min\left(|\theta_i - \theta_j|, \pi - |\theta_i - \theta_j|\right)$ 来考虑环绕问题。 • $\Delta o$ 量化两个线段在它们公共方向上的重叠程度。它被计算为在线方向上投影的两个区间之间的距离。这可以防止不连续的墙壁被错误地合并。 上述三个元素在图6中进一步解释。 ![Image](images/d65607712813cb3f5af3803d7716e9bf83281c0f1d2fe4f5e392569efb15fb1d.jpg)
Figure 6: Illustration of the CLustering Metrics. Depiction of the three components used in the custom distance metric for DBSCAN: spatial distance $\Delta d$, angular difference $\Delta\theta$, and segment overlap $\Delta o$.
阈值 $\tau_{d}$、$\tau_{\theta}$ 和 $\tau_{o}$ 基于传感器特性和环境布局进行设置，用于归一化误差。通过取三个项的最大值，该度量确保只有在空间位置接近、方向相似且具有足够重叠度的线段才被认为是邻居。 获得距离矩阵后，DBSCAN 对线段进行分组。对于每个组，通过平均极坐标参数生成一个融合的墙壁：平均距离 $\bar{\rho}$ 和平均法线角度 --- $\bar{\alpha}$（通过计算 $\sin\alpha$ 和 $\cos\alpha$ 的圆均值）。然后，通过将所有属于集群的原始端点投影到由 $(\bar{\rho}, \bar{\alpha})$ 定义的线上，并取沿线方向的最小和最大投影距离，确定融合墙壁的端点。这会产生单个合并的线段，该线段准确地表示底层墙壁。 因此，该模块集成了原始的分割检测结果，并输出空间组织和融合的墙矢量特征。此外，对于诸如 YOLO 这样的语义检测器，该模块还保留了与检测到的柱子相关联的中心坐标和半径信息。 ## 4.3.2 多 epoch 融合 全局融合节点将局部融合的特征集成到随时间演变的持久全局地图中。 1. temporal 数据关联：将传入的局部特征与现有全局特征进行匹配，使用基于欧几里德距离、角度对齐和重叠率的匹配分数。最佳匹配逻辑确定对应关系。我们在这里应用贪婪算法。 2. 生命周期管理：为了稳健地区分静态结构和动态噪声（例如，移动行人），实现了一种生命周期机制： • 初始化：未匹配的局部特征创建新的全局特征候选对象，并具有初始协方差。 • 生存（命中）：如果一个特征成功匹配，其命中计数器会增加。 - 修剪（失误）：如果一个特征预计应该可见，但没有匹配，则其失误计数器会增加。超过阈值的特征被认为是瞬态噪声并被删除。 3. 状态估计和更新：对于匹配的特征，我们使用递归滤波器来更新其几何参数。具体来说，对于墙壁特征，应用标准的卡尔曼滤波器。状态参数以极坐标定义：$(\rho, \alpha, d_1, d_2)$。初始状态协方差矩阵和测量矩阵都初始化为 $diag(\sigma_r^2, \sigma_\alpha^2, \sigma_r^2, \sigma_r^2)$，基于 LiDAR 的范围误差 $\sigma_r$ 和角度误差 $\sigma_\alpha$。通过滤波器更新状态矢量和协方差矩阵，随着更多观测的积累，墙壁位置和角度的方差会逐渐减小。相比之下，对于 YOLO 检测到的柱状元素，应用一种简单的迭代平均方法。 4. 曼哈顿世界优化：利用室内房间固有的结构规则，我们开发了一种专用的曼哈顿世界优化器。该模块通过三个紧密耦合的关键步骤，将墙壁段的语义信息桥接到房间语义识别结果：主导方向估计、曼哈顿约束应用和墙壁闭合。该过程如图 7 所示。 具体来说，子模块首先估计环境的主导方向（主轴）。然后，它对全局地图施加正交约束，将几乎平行或垂直于主导方向的墙壁对完美正交进行调整。最后，一种角闭合逻辑重新计算交点，并将相邻端点合并，从而生成一个封闭、无缝的语义地图。 因此，该模块将局部融合的特征集成到一致的全局地图中，并通过 temporal 数据关联、生命周期管理和迭代状态估计，生成一个具有很强的抗动态噪声的几何上准确的全局结构化地图。此外，墙壁特征的统一极坐标参数化不仅适用于该模块的卡尔曼滤波器更新流程，还为后续的全局姿态优化和动态场景中的后端基于图的优化提供标准化的参数接口。 ### 5 实验验证 本节全面验证了所提出的特征提取和映射流水线。为了评估系统的实际可行性，进行了比较实验。 --- ![Image](images/813dc225f7d8e28488a75fd4768bc79c71623d637cdb6e088459f04168a575d5.jpg)
Figure 7: Pipeline of the Manhattan World Optimizer. Leveraging the inherent Manhattan structural prior of indoor scenes, this optimizer integrates scattered semantic information of wall segments into a high-precision, topologically closed indoor room floorplan.
--- 这些实验在各种真实场景的室内环境进行。分析的重点是评估多模式策略在语义保真度、几何精度和计算效率方面的表现。此外，该系统在标准移动计算平台上进行了严格的实时测试，以证明其适用于资源受限的板载部署。 #### 5.1 实验设置 #### 5.1.1 实验平台和场景 为了评估系统的准确性，并将结果复制到 Lenovo ThinkBook 14 G7 上。该系统配备英特尔酷睿 Ultra 5 125H 处理器和 32 GB LPDDR5x 内存，使用集成显卡，不带独立 GPU 加速。该配置旨在模拟标准服务机器人的计算约束。软件框架运行在 Ubuntu 22.04 LTS 系统上，并使用 ROS 2 Humble。 同时，在 Raspberry Pi 5 上获取计时结果。该设备运行在 Raspberry Pi OS (64-bit) 系统上，具有 8 GB 内存和 4 个核心，没有图形界面。ROS 2 包通过 Docker 部署到该设备上，未使用 GPU。至关重要的是，为了严格分析系统延迟，传感器主题的默认服务质量 (QoS) 配置设置为最佳，并且消息历史记录深度为 1。 感知数据由 Ouster OS2 长程 3D LiDAR 传感器采集，该传感器具有 $\pm2$ 厘米的范围精度。 为了验证所提出的方法在各种环境中的鲁棒性，在四个不同的场景中收集了实验数据：一个大型地下车库、一条长而狭窄的走廊、一个杂乱的实验室和一个教室走廊，如图 8 所示。这些场景的规模从几米到几十米不等，杂乱和噪声水平逐渐增加，有效地覆盖了室内移动机器人的运行范围。地面真实地图是通过手动注释并使用高精度超声波距离传感器 (Bosch DUS 20) 进行验证的，以确保几何精度。 ### 5.1.2 评估指标 我们采用多维指标系统来评估计算效率和映射精度。 首先，效率指标是在最大的场景车库中进行，并且还包括以下项目： 1. 端到端延迟：从传感器数据采集到全局地图更新的总时间。 2. 推理时间：特征提取算法的独立处理时间。 3. 模块延迟：局部融合和全局融合节点特定的耗时，以识别瓶颈。 4. CPU 和内存使用率：在峰值运行期间的 CPU 和内存使用率百分比。 然后，在所有四个场景中，使用以下指标评估精度： 1. 长度加权召回率：正确检测到的墙壁段的长度与地面真实墙壁总长度的比率。 2. 长度加权精度：正确检测到的墙壁段的长度与所有检测到的段的总长度的比率。 3. 几何误差：分为垂直距离误差（中点偏差）和角度误差（方向不一致）。两者都根据墙壁段的长度进行加权，以使主要结构元素优先于碎片噪声。 --- ![Image](images/3805c6dae6d11b3fd866d98ec9b018170ad900cd61d65819c25e7122dbd8630b.jpg)
Garage
![Image](images/58127cb3495f482f67f4377190691543b9f1b58de63068368b9360b810e35e0c.jpg)
Corridor
![Image](images/4aae3c36a8f2566f852db7eafd2a5b1845bef6b069482786b9a3b3bff0e18f0b.jpg)
Lab Room
![Image](images/1c3a95230bbd7a5549e42c1e7f1e0eb02c98d64e1787de9bef82a936b06fa0e3.jpg)
Classroom Hallway
Figure 8: Figures of four scenarios. The pipeline is tested within the four scenarios, which range from a few meters to tens of meters.
--- ![Image](images/ad8f19898312f9df0c4a6ab20ce2d24d110d85fc66476a66360e6e5935019dd3.jpg)
Figure 9: Performance Comparison of the Four Methods in Garage Scenario across Three Processing Stage. The figure shows the outputs of three nodes: Detector, Local Fusion, and Global Fusion. For Detector Output, the black 2D point cloud represents the 3D LiDAR BEV map, overlaid with wall recognition results. Notably, for RANSAC, green marking indicate line segments rejected as too short, while for YOLO, cyan markings identify columns. For Local Fusion Output, blue line segments represent the raw input received from the Detector Node, while red segments depict the spatially fused wall structures. For Global Fusion Output, the blue segments correspond to the input from the Local Fusion Node, and red segments illustrate the final temporally fused global map. Numerical annotations on the segments indicate the rank of the observation matrix, reflecting estimation stability.
#### 5.2 结果与讨论 #### 5.2.1 定性分析 本节对四个方法在各种场景下的输出结果进行定性分析。为了更好地展示实验场地和检测结果，提供了一个全面的视频演示，比较了这些方法，链接为 。 在结构简单的地下车库场景中，所有四个评估方法都成功地实现了有效的墙壁识别和平面图构建。特别是，基于 YOLO 的方法通过区分和定位开放空间中的柱子，展示了语义能力。 图 9 提供了车库场景中处理流程的全面可视化。检测器识别图像显示叠加在 BEV 点云上的识别结果，每个方法的结果都不同。这些结果作为局部融合节点的输入，用蓝色线段表示，而局部融合的输出用红色显示。随后，这些局部融合的特征作为全局融合节点的输入，同样用蓝色表示，最终的、经过时间融合的全局地图用红色显示。标注在线段上的数值表示观测矩阵的秩，是观测收敛和估计稳定性的指标。 --- ![Image](images/8f8e03e888123846bcdb8b0213a3b6000686b9e3e868aaa8f89c29a121ec8fd1.jpg)
Figure 10: Global Fusion Outputs for the Corridor Scenario. The presence of glass surfaces causes specular reflections, resulting in geometric artifacts resembling a parallel corridor.
走廊场景由于大量的玻璃表面而引入了感知挑战。这些表面会在 LiDAR 数据中产生镜面反射，从而产生与真实结构相邻的虚拟走廊伪影。图 10 说明了所有四个方法在所有场景中的最终全局融合输出，突出了它们各自处理此类环境模糊性的能力。 实验室环境是一个高度混乱的环境，包含家具、设备和货架。此外，一面完整的玻璃墙导致该边界上的点云密度降低，从而降低了检测质量。图 11 比较了原始点云与地面真实值之间的映射结果，并应用了一个范围过滤器来排除玻璃墙之外的点。在这些条件下，Hough 变换和 LSD 会产生由杂乱边缘引起的显着噪声。由于内点比例较低，RANSAC 无法收敛到有效模型。相反，YOLO 方法能够有效地过滤掉非结构元素，并提供最准确的重建。 教室走廊也具有类似复杂的环境，其特点是玻璃隔断，可以显示相邻房间的杂乱。在这种特定场景中，Hough 变换和 LSD 意外地优于基于数据的算法，但仍然包含噪声线条。由于复杂的离群点分布，RANSAC 仍然无效。YOLO 模型成功地消除了噪声，但在此场景中难以回忆起墙壁特征，这种现象归因于特征分辨率不匹配，将在 5.2.3 节中进行详细分析。生成的地图与地面真实值的比较如图 12 所示。 #### 5.2.2 数量性能比较 本节对所提出的系统的计算效率和检测精度进行系统评估。 首先，在车库场景中，对计算效率和资源消耗进行分析，以确保所有方法的有效检测，从而为资源基准测试提供公平的基准。实验中使用的硬件设备和软件配置是树莓派 5，如 5.1.1 节所述。 呈现了四种评估方法的测试结果。对于 YOLO 模型，我们测试了多种编译和推理框架，包括 OpenVINO、NCNN 和 TensorFlow Lite (TFLite)。测试了模型量化方案，包括 FP32 和 INT8，并检查了图像尺寸为 $1024 \times 1024$ 和 $640 \times 640$ 的情况。在全面平衡计算效率和准确性性能后，我们选择基于 OpenVINO 框架的 FP32 精度 YOLO 模型的结果在此处呈现，并包含两种图像分辨率的测试数据。 图 13 说明了每个帧的处理延迟分解。 1. 实时能力：Hough 变换，以及图像尺寸为 640 的 YOLO，均表现良好。 --- ![Image](images/ddbe4465d78d975c0547d07d093932f17f62cfa11d35244008e002b2e50828c2.jpg) ![Image](images/57bab0e9cd3f57748bdb21d3b682b2be84dcfd26eb6445170272aecf6a118ef9.jpg) Hough 变换 ![Image](images/8f56ccf19329fe881ea4b21bffeabc733699d68bab99196aff5e962ec47468a4.jpg) LSD ![Image](images/99039dee2210da1b206b82c30aa50fb796463e987395e0f3671a0812794fe67a.jpg) RANSAC ![Image](images/7557622afc46ce5056257a8169c044bb6a4f2bd1a8772dd2e8ac31e530b4e701.jpg) YOLO
Figure 11: Raw Point Cloud and Global Fusion Outputs for the Laboratory Scenario. The left panel displays the raw 3D point cloud. The right panels display a $2 \times 2$ comparison of the four methods against the ground truth. Legend: Green lines represent the Ground Truth; Pink lines indicate successfully matched detections (True Positives); Blue lines represent unmatched detections (False Positives); Orange lines correspond to the matched segments of the Ground Truth.
![Image](images/b230460051c2bdd9a0f86cae7dd6cb640baa55091f5f90fa23152dc0d429e6b9.jpg) Hough 变换 ![Image](images/7fd3a57ffd45fef1306521d23061fbc5a95d40d8793140c1414acd894ad6be6e.jpg) LSD ![Image](images/b711cf2e69eba1617fd5680cb270712d80f5fdec2f97e70239e8ed08ae66658e.jpg) RANSAC ![Image](images/39cb33dc24bb50de03796435299ed7bf0a9b420ac2e0419dfb8f66e291f3dbd3.jpg) YOLO
Figure 12: Global Fusion Outputs for the Classroom Hallway Scenario. The comparison of outputs against the ground truth is shown as well. While geometric methods capture fine details, the deep learning approach exhibits lower recall in this specific setting.
--- ![Image](images/97340cf047bd3d74616ac32291a35ec4644e78aa08e0f2839362fcc3d521791c.jpg)
Figure 13: Latency Breakdown Per Frame in the Garage Scenario. The stacked bars illustrate the time consumption of the Detector, Local Fusion, Global Fusion, and Data Transfer components. The corresponding methods include the Hough Transform, LSD, RANSAC, and the YOLO-OBB method with image size of 1024 and 640. The red dashed line represents the 10 Hz real-time threshold (100 ms).
低于 100 毫秒的实时阈值。对于图像尺寸为 1024 像素的 YOLO 方法，其端到端处理时间略高于 3 毫秒。 2. 延迟分布：观察到明显的结构差异。传统的几何方法依赖于轻量级的检测，但由于大量碎片化的基本元素，数据传输和融合会产生更高的开销。相比之下，基于 YOLO 的方法将计算负载转移到检测器阶段（超过 80%）。但是，由于网络输出高质量、经过语义过滤的对象边界，后续的局部和全局融合阶段非常高效（消耗可忽略的时间）。 3. 降维的理由：事实上，基于 3D 点云的平面检测方法（例如 3D RANSAC、区域生长等）与这些方法相比，在不同的数据处理规模上运行，因此直接比较是不公平的。此处呈现的定量实验结果表明，基于 3D 点云的平面检测方法的推理时间是 YOLO 的 10 倍以上。 就资源利用率而言，如图 14 所示，YOLO 表现出相对较高的 CPU 利用率，约为 270%，是排名第二的 RANSAC 的 2.7 倍。就内存占用而言，虽然深度学习模型本质上需要更多的内存来存储权重和激活图，但 YOLO-OBB 系统仅消耗可用系统内存的 7%（约为 570 MB）。这完全在现代嵌入式计算机的可接受范围内，证明了基于神经网络的解决方案对于嵌入式部署来说足够轻量级。 其次，使用召回率、精度和 F1 分数指标，在 ThinkBook 平台的计算平台上，对检测性能进行全面分析，如图 15 和表 1 所示。YOLO-OBB 在具有强烈环境杂乱的实验室场景中表现出最显著的优势。在这种具有挑战性的设置中，YOLO 实现了最高的召回率和精度，从而获得了卓越的 F1 分数 $0.84 \pm 0.05$，显著优于几何方法。相比之下，RANSAC 几乎没有召回率，并且 F1 分数很低。 --- ![Image](images/7cd2b833cc0307935e749f4b71edcb89c2b90740076b9254819ea0fcb8290601.jpg) ![Image](images/5e0db0b7120566dd14d1e2a92df4f39a2239c257ecf091bf49ad7d8d51fc073b.jpg)
Figure 14: Average resource consumption comparison on the mobile computing platform. (Left) Average CPU usage percentage, where RANSAC exhibits excessive load due to iterative calculations. (Right) System memory usage percentage. Although YOLO-OBB requires higher memory allocation for the neural network, they remain below 7% of the total available RAM (8GB), proving its feasibility for onboard deployment.
just 0.39，这导致无法识别结构元素，因为低内点比例是由杂乱造成的，如图 11 所示。此外，在大多数场景中，YOLO 保持最高的精度。这表明该系统产生最少的误报，有效地过滤掉噪声和瞬时障碍物。这种鲁棒性在车库和走廊场景中得到了进一步的证明；虽然 YOLO-OBB 实现了与霍夫变换相当的 F1 分数（分别为 0.85 和 0.72），但其标准偏差明显较低（0.01），这表明其具有出色的稳定性。在教室走廊场景中，虽然霍夫变换实现了略高的召回率，但其精度很差（约为 0.4）。这种严重的噪声污染将其 F1 分数降至 0.53。相比之下，YOLO 保持高精度，同时实现了具有竞争力的召回率（约为 0.6），最终在该环境中获得了最高的 F1 分数（$0.62 \pm 0.04$）。尽管在薄壁特征方面存在一些领域差异，但高精度和总体优异的 F1 分数确保检测到的结构是可靠的，从而避免了几何方法中观察到的地图污染。 ![Image](images/25a92e6b6ba0907b589c8be71a0b669227e8f84d6ea8d805f3578496b4d151e4.jpg)
Figure 15: Detection Performance Evaluation across Four Scenarios. (Left) Length-Weighted Recall scores. (Right) Length-Weighted Precision scores. Error bars indicate the standard deviation. YOLO-OBB demonstrates superior robustness, particularly in the cluttered Laboratory scenario, while maintaining high precision across all environments.
最后，重建地图的几何保真度已在表2中进行评估。结果凸显了峰值精度与稳定性之间的权衡关系。Hough Transform、LSD和RANSAC在Garage这类干净环境中可达到很高的精度，但在这类复杂场景中精度会显著下降，例如 ---
Table 1: Quantitative Detection Performance (F1-Score) across Scenarios. The table presents the average and standard deviation of F1-Score to evaluate the overall detection quality.
MethodScenario
GarageCorridorLaboratoryClassroom Hallway
Hough Transform$0.86 \pm 0.09$$0.73 \pm 0.08$$0.61 \pm 0.23$$0.53 \pm 0.08$
LSD$0.66 \pm 0.07$$0.52 \pm 0.05$$0.58 \pm 0.12$$0.43 \pm 0.05$
RANSAC$0.67 \pm 0.03$$0.61 \pm 0.02$$0.39 \pm 0.00$$0.18 \pm 0.02$
YOLO-OBB$0.85 \pm 0.01$$0.72 \pm 0.01$$0.84 \pm 0.05$$0.62 \pm 0.04$
教室走廊中，LSD 的距离误差超过 15 厘米。相比之下，虽然 YOLO 方法在所有场景中都没有实现最低的误差，但它显示出卓越的一致性。无论环境的复杂程度如何，其距离误差保持在约 6 厘米的稳定水平，角度误差保持在约 1.0 度。需要注意的是，在实验室和教室走廊场景中，RANSAC 方法被认为是算法失败。这归因于该方法只能提供 1 到 2 个正确匹配的线段，这在这些上下文中实际上表明该算法已失败，如图 11 和图 12 所示。
Table 2: Geometric Accuracy Assessment of the Reconstructed Maps. The table compares the Perpendicular Distance Error (cm) and Angular Error (degrees) across four scenarios. Note that “-” indicates an algorithm failure where insufficient line segments were matched (specifically RANSAC in complex environments).
ScenarioDistance Error (cm) $\downarrow$Angle Error (deg) $\downarrow$
HoughLSDRANSACYOLOHoughLSDRANSACYOLO
Garage6.474.653.476.030.250.230.140.09
Corridor10.367.035.346.150.410.240.100.35
Laboratory13.166.80-9.381.521.42-1.09
Classroom Hallway10.1715.38-5.730.950.73-1.12
Average10.028.46N/A6.830.770.66N/A0.66
## 5.2.3 对系统鲁棒性和泛化性的讨论 根据上述定性和定量分析，几何范式和神经网络范式之间出现了一种明显的性能二元对立。如表 3 所示，传统几何方法（LSD、Hough 和 RANSAC）在大型、稀疏环境中（如车库）表现出其优势，能够提供高精度的几何细节。然而，由于缺乏语义理解，这些方法在复杂、拥挤的场景（例如实验室）中表现出低鲁棒性。在这些情况下，这些方法容易发生灾难性失败，原因是“特征阻塞”，即家具的边缘被错误地识别为结构墙。 与此不同，所提出的 YOLOv8n-obb 模型在所有测试领域都表现出高鲁棒性和稳定性。该模型利用学习到的语义表示，有效地过滤掉瞬时杂波，并仅保留相关的结构拓扑（墙壁和柱子）。为了进一步阐明这些算法的运行边界和部署约束，我们分析了在实验过程中观察到的三个关键技术现象： 此外，我们观察到一些有趣的现象，值得讨论。 1. 分析 LSD 中的过度分割：虽然 LSD 在理论上具有高精度和高速度，但实验结果揭示了一个关键的局限性，即在复杂环境中。如在杂乱的实验室场景中观察到的那样，LSD 倾向于将连续的墙壁分割成许多短的、 ---
Table 3: Qualitative Summary of Method Performance
MethodLarge Simple ScenarioComplex ScenarioRobustness
HoughEfficient; lacks semantic awareness.High false positives due to clutter.Medium
LSDHigh geometric detail; fast.Severe over-segmentation; computational bottleneck.Medium
RANSACGood modeling; high latency.Convergence failure due to low inlier ratios.Low
YOLOAccurate classification of structural elements.Excellent clutter rejection; high stability.High
![Image](images/4b703bf97f47669d021608e1ce786f6945bf772be5d87a5f67e45aace1c811de.jpg)
(a) Raw Detection of LSD
![Image](images/30862b0debb5ed748055cf9ab16eafbfe111973eea93059706cb5ccfda68619f.jpg)
(b) Over-Segmentation
Figure 16: Over-segmentation of the LSD Method. (Left) It shows the original point cloud BEV map directly processed by the LSD method. (Right) It presents the corresponding extracted line segments, which are extremely numerous.
不连续的线段。如图 16 所示，过度分割增加了后续处理的复杂性，包括后端空间聚类（DBSCAN）和匹配算法。这会导致处理速度显著下降，表明该方法不适用于复杂场景。 2. 场景尺寸对特征分辨率的影响：该方法利用 LiDAR 的噪声特性，其中垂直墙壁通常在 BEV 投影中显示为密集、厚的矩形簇。对于较小规模的场景，由于扫描距离较短且绝对噪声较低，墙壁特征似乎更薄。这些线条与 YOLO 检测器的合成训练集中使用的墙壁不同。因此，该模型最初难以回忆起这些薄特征，如图 17 所示，而几何方法在这些情况下效果更好。因此，可以认为，通过补充训练集和改进合成数据，YOLO 方法具有更大的潜力。 ## 6 结论 本研究解决了在资源受限的机载机器人平台上构建语义结构图的严峻挑战。通过将 3D LiDAR 数据投影到 2D BEV 图像中，我们提出了一种轻量级和模块化的感知框架。为了确定用于此管道的最佳处理策略，我们系统地评估了各种轻量级算法，直接比较了经典几何方法与基于数据的神经网络 (YOLO-OBB) 方法。 全面的实验验证涵盖了各种环境复杂性，揭示了性能上的显著权衡。虽然经典几何方法提供快速的初始检测，但 --- ![Image](images/ef0823403c9376ef1beb62329da4860e22b78eb73a0f2b3ed634ef9e9a1bedc6.jpg)
Figure 17: False Negative Detection due to Feature Resolution Mismatch. The figure illustrates a specific failure case in Classroom Hallway, a small-scale scenario. The blue lines represent the model's predictions overlaid on the raw point cloud BEV. The red circle highlights a distinct, thin wall segment that the model failed to detect (False Negative). This omission is attributed to the domain gap between the thick, noisy walls in the synthetic training data and the sharp, thin features in this real-world scan.
它们对环境噪声和杂波非常敏感，导致精度和整体检测质量大幅下降（如图 15 中的性能指标和表 1 中的 F1 分数所示）。此外，这种敏感性会生成碎片化和不稳定的输出，这会使下游融合模块的计算负担增加。如延迟分解（图 13）所示，这种后端拥塞严重影响了实时操作。相反，所提出的基于深度学习的管道通过语义理解有效地在检测阶段过滤掉非结构化噪声。通过输出高质量、稳定的边界框，它大大减少了后端计算开销，即使在没有 GPU 加速的低功耗边缘设备上，也能保持强大的实时性能。 最终，鲁棒性评估表明，几何方法在复杂的真实世界场景中缺乏稳定性，如图 15 所示，精度会急剧下降。然而，基于 YOLO-OBB 的方法在所有测试环境中都保持了稳定的几何精度和优异的抗噪性。我们得出结论，这种基于数据的策略在计算效率和感知鲁棒性之间实现了最佳平衡，证明是一种高度有效且可部署的解决方案，适用于嵌入式机器人系统中的自主室内导航。 ## 感谢 本研究由欧盟资助。然而，文中表达的观点和意见仅代表作者的观点，不一定反映欧盟或欧盟委员会的观点。欧盟或资助方不对这些观点承担责任。本工作获得了欧盟“地平线欧洲”计划的资助，项目编号为 101136056（SHEREC），资助方为“地平线欧洲”计划 HORIZON-CL4-2023-HUMAN-01 CNECT。 ## 数据和代码获取 本研究中生成和/或分析的数据集和源代码可在 GitLab 仓库 中获取。 --- ## 参考文献 [^1]: TR Deepa, Jose Mathew, and Sarah Jacob. Design and analysis of slam-based autonomous navigation of mobile robot. In 2024 11th International Conference on Advances in Computing and Communications (ICACC), pages 1–6. IEEE, 2024. [^2]: Xin Zhang, Xuyang Zhang, Wenhui Zhu, Jinchi You, and Suo Li. Research on indoor mobile robot navigation system technology. In 2022 2nd International Conference on Algorithms, High Performance Computing and Artificial Intelligence (AHPCAI), pages 260–263. IEEE, 2022. [^3]: Zihan Li, Chao Fan, Weike Ding, and Kun Qian. Robot navigation and map construction based on slam technology. World Journal of Innovation and Modern Technology, 7(3), June 2024. [^4]: Mingyan Nie, Wenzhong Shi, Daping Yang, Min Zhang, and Yitao Wei. Plane-assisted indoor lidar slam. Measurement, 261:119639, 2026. [^5]: Chaohong Wu, Ruofei Zhong, Qingwu Hu, Haiyang Wu, Zhibo Wang, Mengbing Xu, and Xinze Yuan. An indoor laser inertial slam method fusing semantics and planes. The Photogrammetric Record, 40(189):e12533, 2025. [^6]: Yi Kiat Tee and Yi Chiew Han. Lidar-based 2d slam for mobile robot in an indoor environment: A review. In 2021 International Conference on Green Energy, Computing and Sustainable Technology (GECOST), pages 1–7. IEEE, 2021. [^7]: Charles R Qi, Hao Su, Kaichun Mo, and Leonidas J Guibas. Pointnet: Deep learning on point sets for 3d classification and segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 652–660, 2017. [^8]: Charles Ruizhongtai Qi, Li Yi, Hao Su, and Leonidas J Guibas. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Advances in neural information processing systems, 30, 2017. [^9]: Sushmita Sarker, Prithul Sarker, Gunner Stone, Ryan Gorman, Alireza Tavakkoli, George Bebis, and Javad Sattarvand. A comprehensive overview of deep learning techniques for 3d point cloud classification and semantic segmentation. Machine Vision and Applications, 35(4):67, 2024. [^10]: Daniel Maturana and Sebastian Scherer. Voxnet: A 3d convolutional neural network for real-time object recognition. In 2015 IEEE/RSJ international conference on intelligent robots and systems (IROS), pages 922–928. Ieee, 2015. [^11]: Gernot Riegler, Ali Osman Ulusoy, and Andreas Geiger. Octnet: Learning deep 3d representations at high resolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3577–3586, 2017. [^12]: Zhijian Liu, Haotian Tang, Yujun Lin, and Song Han. Point-voxel cnn for efficient 3d deep learning. Advances in neural information processing systems, 32, 2019. [^13]: Martin A Fischler and Robert C Bolles. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6):381–395, 1981. [^14]: Ruwen Schnabel, Roland Wahl, and Reinhard Klein. Efficient ransac for point-cloud shape detection. Computer graphics forum, 26(2):214–226, 2007. [^15]: Lin Li, Fan Yang, Haihong Zhu, Dalin Li, You Li, and Lei Tang. An improved resusc for 3d point cloud plane segmentation based on normal distribution transformation cells. Remote Sensing, 9(5):433, 2017. [^16]: Paul VC Hough. Method and means for recognizing complex patterns, December 18 1962. US Patent 3,069,654. [^17]: Dorit Borrmann, Jan Elseberg, Kai Lingemann, and Andreas Nüchter. The 3d hough transform for plane detection in point clouds: A review and a new accumulator design. 3D Research, 2(2):1–13, 2011. ## [^18]: Rafael Grompone Von Gioi, Jeremie Jakubowicz, Jean-Michel Morel, and Gregory Randall. Lsd: A fast line segment detector with a false detection control. IEEE transactions on pattern analysis and machine intelligence, 32(4):722–732, 2008 --- [^19]: Xiaoguo Du, Yuchu Lu, and Qijun Chen. A fast multiplane segmentation algorithm for sparse 3-d lidar point clouds by line segment grouping. IEEE Transactions on Instrumentation and Measurement, 72:1–15, 2023. [^20]: Rémi Pautrat, Daniel Barath, Viktor Larsson, Martin R Oswald, and Marc Pollefeys. Deeplsd: Line segment detection and refinement with deep image gradients. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 17327–17336, 2023. [^21]: Yan Gao, Haijiang Li, Weiqi Fu, Chengzhang Chai, and Tengxiang Su. Damage volumetric assessment and digital twin synchronization based on lidar point clouds. Automation in Construction, 157:105168, 2024. [^22]: Bichen Wu, Alvin Wan, Xiangyu Yue, and Kurt Keutzer. Squeezeseg: Convolutional neural nets with recurrent crf for real-time road-object segmentation from 3d lidar point cloud. In 2018 IEEE international conference on robotics and automation (ICRA), pages 1887–1893. IEEE, 2018. [^23]: Andres Milioto, Ignacio Vizzo, Jens Behley, and Cyrill Stachniss. Rangenet++: Fast and accurate lidar semantic segmentation. In 2019 IEEE/RSJ international conference on intelligent robots and systems (IROS), pages 4213–4220. IEEE, 2019. [^24]: Muhammad Hussain. Yolov5, Yolov8 and Yolov10: The go-to detectors for real-time vision. arXiv preprint arXiv:2407.02988, 2024. [^25]: Rahima Khanam and Muhammad Hussain. Yolov11: An overview of the key architectural enhancements. arXiv preprint arXiv:2410.17725, 2024.