基于 3D LiDAR 数据的网格结构分割方法比较评估
机器人学
2025-07-29 v1 计算机视觉与模式识别
摘要
网格结构是桥梁、塔桩及机场等重要基础设施的骨架，但其检测与维护成本高昂且危险，常需人工介入。虽然已有研究聚焦于图像故障检测或机器人平台设计，但针对机器人在此类结构内部自主导航的探索仍较不足。本研究填补了这一空白，提出方法以检测拱形结构中的可导航表面，提升爬坠机器人的自主性。该文引入了多种用于将可导航表面与背景二值分割的方法，从金属拱形的 3D 点云中实现。这些方法分为两类：分析类算法与深度学习模型。分析方法采用基于点云中平面块特征值分解的自定义算法进行分割；同时训练评估了 PointNet、PointNet++、MinkUNet34C 和 PointTransformerV3等先进深度学习模型。比较分析表明，分析算法参数调优较为容易，性能与深度学习模型相当；而深度学习模型虽计算更密集，但在分割精度上表现更佳。值得注意的是，PointTransformerV3 实现了约97%的平均交并比 (mIoU)。本研究表明，分析方法与深度学习方法均可提升复杂拱形环境中自主导航能力。结果凸显了计算效率与分割性能之间的权衡，为未来在自动化基础设施检测与维护中的实际应用提供了宝贵指导。
引用
@article{arxiv.2507.20589,
title = {Methods for the Segmentation of Reticular Structures Using 3D LiDAR Data: A Comparative Evaluation},
author = {Francisco J. Soler Mora and Adrián Peidró Vidal and Marc Fabregat-Jaén and Luis Payá Castelló and Óscar Reinoso García},
journal= {arXiv preprint arXiv:2507.20589},
year = {2025}
}