Geometrically Approximated Modeling for Emitter-Centric Ray-Triangle Filtering in Arbitrarily Dynamic LiDAR Simulation
Dieses Paper stellt den Geometrically Approximated Modeling (GRCA)-Algorithmus vor, der das traditionelle Raytracing umkehrt, indem er auf Basis von emittenten-zentrierten geometrischen Approximationen bestimmt, welche Strahlen jedes Dreieck treffen können, wodurch eine signifikant schnellere Echtzeit-LiDAR-Simulation in hochdynamischen Szenen ohne die Notwendigkeit kostspieliger Rekonstruktionen von Beschleunigungsstrukturen erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den perfekten Platz für ein Selfie in einem überfüllten, chaotischen Park zu finden, in dem Menschen rennen, springen und sich drehen. Stellen Sie sich nun vor, Sie besitzen eine Kamera, die nicht nur ein einzelnes Foto macht, sondern Millionen von unsichtbaren Laserstrahlen in jede erdenkliche Richtung gleichzeitig abfeuert, um jeden Menschen, jeden Baum und jede Bank zu treffen, um exakt zu messen, wie weit sie entfernt sind. Genau das tut ein LiDAR-Sensor. Er ist das „Auge“ vieler selbstfahrender Autos und Roboter und malt ein 3D-Bild der Welt, indem er Licht aussendet und darauf wartet, dass es zurückgeworfen wird.
Der schwierige Teil ist, dass sich die Welt ständig bewegt. In Computersimulationen, in denen Ingenieure diese Autos testen, bevor sie auf die Straße kommen, können sich die Objekte in der Szene – Autos, Fußgänger, Gebäude – in jedem einzelnen Frame der Animation in Form oder Position verändern. Um zu bestimmen, welcher Laserstrahl welches Objekt trifft, verwenden Computer normalerweise ein cleveres Ablagesystem namens „Bounding Volume Hierarchy“ (BVH). Denken Sie an dies wie an einen riesigen, verschachtelten Satz russischer Matroschka-Puppen. Der Computer prüft zuerst die größte Puppe; wenn der Laser die große Puppe verfehlt, weiß er, dass er alles innerhalb davon ebenfalls verfehlt hat. Wenn er die große Puppe trifft, öffnet er sie, um die kleineren Puppen darin zu prüfen. Aber hier liegt der Haken: Wenn die Menschen im Park anfangen zu tanzen und ihre Positionen zu ändern, muss der Computer diesen gesamten Satz an Puppen für jeden einzelnen Frame komplett neu aufbauen. Es ist, als müsste man eine Bibliothek von einer Million Büchern jedes Mal neu sortieren, wenn sich ein einziges Buch nur wenige Zentimeter bewegt. Dies kostet eine enorme Menge an Zeit und Rechenleistung, was die Echtzeit-Simulation von schnell bewegenden Szenen unglaublich schwierig macht.
Hier kommt ein neuer Ansatz namens Gajmer Ray-Casting Algorithm (GRCA) ins Spiel, der eine clevere Wendung des Problems bietet. Anstatt zu fragen: „Welches Objekt trifft dieser Laserstrahl?“ (was den Computer zwingt, jeden Strahl gegen jedes Objekt zu prüfen), dreht GRCA die Frage um: „Welche Laserstrahlen könnten theoretisch dieses spezifische Objekt treffen?“
Stellen Sie sich vor, Sie sind ein Sicherheitsmann, der in der Mitte eines Raumes steht, und anstatt jeden einzelnen Menschen zu überprüfen, um zu sehen, ob er eine Waffe trägt, schauen Sie zuerst auf die Waffe. Sie fragen: „Wenn diese Person ein Messer hält, welche Sicherheitskräfte im Raum könnten es sehen?“ Sie erkennen sofort, dass nur die Sicherheitskräfte, die in einem bestimmten Bogen vor der Person stehen, das Messer sehen könnten. Alle Sicherheitskräfte hinter der Person oder weit zu den Seiten hin ignorieren Sie sofort. GRCA macht genau das Gleibende mit Lasern und Dreiecken (den winzigen flachen Formen, aus denen 3D-Objekte bestehen).
Die Autoren stellten in Zusammenarbeit mit Toyota fest, dass ein rotierender LiDAR-Sensor keine zufälligen Strahlen aussendet, sondern sie in ordentlichen, vorhersehbaren Mustern abfeuert. Eine einzelne Reihe von Lasern, die sich dreht, erzeugt eine Kegelform, und eine Reihe am Horizont erzeugt eine flache Ebene. GRCA nutzt diese Geometrie, um einen „Kegel“ oder eine „Ebene“ um jedes einzelne Dreieck in der Szene zu zeichnen. Dann fragt es: „Überschneidet sich der Kegel dieses Dreiecks mit irgendeinem der Laserkanäle meines Sensors?“ Wenn die Antwort nein lautet, wirft der Computer dieses Dreieck sofort weg, ohne schwere mathematische Berechnungen durchzuführen. Wenn die Antwort ja lautet, prüft er nur die spezifischen Laser, die durch diesen Kegel verlaufen.
Um dies noch schneller zu machen, sortiert der Algorithmus Dreiecke in zwei Gruppen ein, basierend darauf, wie groß sie aus der Sicht des Sensors erscheinen. Kleine, ferne Dreiecke (die winzig aussehen) erhalten eine schnelle, grobe Prüfung. Große, nahe Dreiecke erhalten eine präzisere Prüfung. Dieser zweistufige Prozess bedeutet, dass der Computer fast keine Zeit mit den Millionen von winzigen, weit entfernten Objekten verschwendet, die nicht viel bedeuten, und stat seine Kraft auf die großen, wichtigen Objekte konzentriert.
Die Ergebnisse dieser Methode sind beeindruckend. In Tests mit komplexen Szenen, die Millionen von beweglichen Dreiecken und bis zu acht verschiedenen LiDAR-Sensoren umfassen, die über 4 Millionen Strahlen pro Frame abfeuern, war GRCA signifikant schneller als die aktuellen Industriestandards. Auf einem Standard-Prozessor war es bis zu 14,55-mal schneller als die führende Softwarebibliothek (Embri). Auf einer Grafikkarte (GPU) war es bis zu 7,97-mal schneller als das Top-Hardware-beschleunigte Tool (OptiX). Selbst in den chaotischsten Szenarien, in denen Objekte sich deformieren und wild bewegen, behielt GRCA seine Geschwindigkeit bei, da es seinen „Ablagesystem“ nicht jedes Mal neu aufbauen musste, wenn sich etwas bewegte.
Die Arbeit zeigt auch, dass diese Methode mit der alten Art kombiniert werden kann: die Verwendung von GRCA für die beweglichen Teile der Szene und die traditionelle Methode für die statischen Teile. Dieser „Hybrid“-Ansatz war sogar noch schneller und erreichte in den komplexesten Tests bis zu das 19,2-fache der Geschwindigkeit der Standard-CPU-Methode.
Letztendlich legt diese Forschung nahe, dass, indem wir die Art und Weise ändern, wie wir die Frage stellen – von „Was trifft der Strahl?“ zu „Welche Strahlen können dieses Objekt treffen?“ – wir dynamische, realistische Umgebungen wesentlich effizienter simulieren können. Dies könnte schnellere, realistischere Tests für selbstfahrende Autos und Roboter bedeuten, was es Ingenieuren ermöglicht, Millionen von gefahrenen Meilen in einem Bruchteil der Zeit zu simulieren, die es derzeit dauert, und das alles, ohne das Ablagesystem der Welt jede Sekunde neu aufbauen zu müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.