用于检测飞机产生的涡旋涡流的可解释LiDAR 3D点云分割与聚类
计算机视觉与模式识别
2025-03-04 v1 机器学习
摘要
涡旋——由飞机产生的强而有相干性的气流涡流——构成航空安全的重大风险，因此需要准确可靠的检测方法。本文提出了一种先进的、可解释的机器学习方法，利用光学探测和测距 (LiDAR) 数据实现有效的涡旋检测。该方法利用动态图 CNN (DGCNN) 进行语义分割，将3D LiDAR点云划分为有意义的区域。通过聚类技术实现进一步的细化。本研究的新颖之处在于采用扰动基于的解释技术，阐明了模型的决策过程，为航空交通监管员和控制员提供透明度和信任感。我们的实验结果基于测量和模拟的LiDAR扫描与四个基线方法的比较，凸显了该方法的有效性和可靠性。该方法结合语义分割和聚类，用于实时涡旋检测显著推进了航空安全措施，确保这些措施既有效又易于理解。
引用
@article{arxiv.2503.00518,
title = {Explainable LiDAR 3D Point Cloud Segmentation and Clustering for Detecting Airplane-Generated Wind Turbulence},
author = {Zhan Qu and Shuzhou Yuan and Michael Färber and Marius Brennfleck and Niklas Wartha and Anton Stephan},
journal= {arXiv preprint arXiv:2503.00518},
year = {2025}
}
备注
Accepted at KDD 2025