Semana 20: Reducción de la densidad de puntos en generación

Comparación del LiDAR con submuestreo por vóxeles vs. LiDAR con reducción de la frecuencia espacial en generación

En esta semana, se han comparado dos métodos diferentes para reducir la densidad de puntos de la nube LiDAR en CARLA:

1. Submuestreo por vóxeles (post-procesamiento)
   • Se captura la nube de puntos completa y luego se aplica Voxel Grid Downsampling para reducir la cantidad de puntos.
   • Ventaja: Mantiene la estructura espacial general y permite ajustes flexibles en post-procesamiento.
   • Desventaja: Se genera una nube densa primero, lo que puede ser computacionalmente costoso.
2. Reducción de la frecuencia espacial en generación (pre-procesamiento)
   • Se configura el LiDAR para generar menos puntos desde el inicio, ajustando parámetros como points_per_second, range, y channels.
   • Ventaja: Reduce el número de puntos directamente en la simulación, mejorando el rendimiento.
   • Desventaja: Menos control sobre la distribución de los puntos después de la captura.

🔍 Configuración de prueba

Se usaron dos sensores LiDAR en el vehículo para comparar los resultados:

• LiDAR con submuestreo por vóxeles:
  • range = 100m
  • points_per_second = 1,000,000
  • channels = 64
  • Submuestreo: Voxel Grid con tamaño de 0.5m
• LiDAR con reducción en generación:
  • range = 50m
  • points_per_second = 375,000
  • channels = 64
  • No se aplicó submuestreo posterior

Resultados

• La reducción en generación logra una nube más ligera desde el inicio, mejorando el rendimiento de la simulación Sin embargo, genera una alta concentración de puntos, sobre todo en áreas cercanas al sensor, lo que puede ser redundante y aportar poca información útil. . Además, se limitó el rango de detección para evitar puntos lejanos de menor relevancia, priorizando una mayor resolución en la cercanía del sensor.
• El submuestreo por vóxeles ofrece mayor control en post-procesamiento, aunque requiere manejar una nube más grande inicialmente, lo que supone un mayor coste computacional. Su principal ventaja es que evita el solapamiento de los puntos, asegurando una distribución más uniforme y un uso más eficiente de los datos. Esto mejora la representación de los objetos, manteniendo su forma de manera más clara y estructurada, ya que los puntos están mejor distribuidos espacialmente, a pesar de que en ambos casos se consigue una media de 6500 puntos por frame.
• Ambos métodos reducen la densidad de puntos, pero su utilidad depende del caso de uso:
  • Si se busca optimizar rendimiento en tiempo real → Reducción en generación.
  • Si se busca precisión en la representación de objetos → Submuestreo por vóxeles.

Dado que el propósito del sensor es la creación de datasets, el submuestreo por vóxeles resulta la opción más adecuada, ya que permite una representación más fiel de la escena, a pesar del mayor costo computacional.