Synthetic LiDAR Data Generation and Deterministic Downsampling for Point Cloud Classification on the Edge

Stellen Sie sich vor, Sie versuchen, einem Roboter das Sehen der Welt beizubringen, aber anstatt ihm Augen zu geben, die Bilder sehen, geben Sie ihm einen Sensor, der die Welt als eine riesige, schwebende Wolke aus unsichtbaren Staubpartikeln sieht. So funktioniert LiDAR (Light Detection and Ranging); es verschießt Laserstrahlen und misst, wie lange sie brauchen, um zurückzuprallen, wodurch eine 3D-Karte aus Millionen einzelner Punkte entsteht. Während dies für selbstfahrende Autos und Roboter fantastisch ist, bereitet es den Computern, die diese Daten lesen sollen, massives Kopfzerbrechen. Diese „Punktwolken“ sind unordentlich, unstrukturiert und riesig. Zu versuchen, durch Millionen von Punkten zu sortieren, um herauszufinden, ob man gerade auf einen Stuhl oder ein Auto blickt, ist so, als würde man versuchen, ein bestimmtes Sandkorn an einem Strand zu finden, indem man jedes einzelne Korn nacheinander aufhebt.

Dies ist besonders schwierig für kleine, batteriebetriebene Computer, wie sie in einem Saugroboter oder einer Drohne stecken. Diese „Edge“-Geräte sind wie winzige, effiziente Hamster, die in einem Laufrad rennen; sie besitzen nicht die superstarken Muskeln eines riesigen Desktop-Computers, um all diese Daten zu verarbeiten. Wenn der Roboter zu viel Zeit damit verbringt, die Punkte zu sortieren, bewegt er sich zu langsam, um sicher zu sein. Wissenschaftler versuchen seit langem herauszufinden, wie sie diese kleinen Computer klug genug machen können, den 3D-Raum in Echtzeit zu verstehen, ohne dass ihre Schaltkreise schmelzen. Die große Frage lautet: Wie bringen wir einem winzigen Computer bei, ein Auto oder eine Person zu erkennen, indem er nur ein paar hundert Punkte nutzt, während er gleichzeitig Millionen nutzloser Punkte ignoriert – und das schnell genug, um mit der realen Welt Schritt zu halten?

Die Geschichte des Papers: Winzigen Computern das Sehen beibringen

In diesem Paper geht es um einen cleveren zweistufigen Trick, der kleinen, leistungsschwachen Computern (speziell einem Raspberry Pi 5, einem winzigen, erschwinglichen Computerboard) hilft, 3D-Punktwolken zu verstehen, ohne von ihnen überwältigt zu werden. Die Forscher Niclas Meyer und Stefan Reitmann stellten fest, dass die meisten Roboter auf „perfekten“ digitalen Modellen trainiert werden, die der unordentlichen Realität der echten Welt überhaupt nicht ähneln. Sie fanden auch heraus, dass die herkömmliche Art, die Daten zu bereinigen, für diese winzigen Computer zu langsam war. Also entwickelten sie einen neuen Workflow, der beide Probleme löst.

Das Problem der „Realitätslücke“
Zuerst befasste sich das Team mit dem Problem der „perfekten“ Trainingsdaten. Stellen Sie sich vor, Sie bringen einem Kind bei, einen Hund zu erkennen, indem Sie ihm nur perfekte, cartoonartige Zeichnungen von Hunden ohne Fellstruktur oder Schatten zeigen. Wenn man ihm dann einen echten, struppigen Hund zeigt, erkennt es ihn vielleicht nicht. Genau das passierte den Robotern. Die Forscher nutzten ein Werkzeug namens BLAINDER, um saubere, perfekte 3D-Computermodelle in „unordentliche“, synthetische Daten zu verwandeln. Sie fügten digitales Rauschen hinzu und simulierten, wie ein echter Laserscanner die Welt sieht, einschließlich der Tatsache, dass Objekte je nach Blickwinkel unterschiedlich aussehen.

Sie entdeckten etwas Überraschendes: Wenn man einen Roboter auf den sauberen, perfekten Modellen trainiert, scheitert er kläglich, wenn er die unordentlichen, verrauschten Daten sieht (seine Genauigkeit sank auf fast zufälliges Raten, etwa 2 % bis 11 %). Wenn man ihn jedoch auf den unordentlichen, verrauschten Daten trainiert, wird er sogar besser darin, die sauberen Daten zu verstehen. Es ist, als würde man ein Videospiel mit einem fehlerhaften Controller spielen; wenn man schließlich einen perfekten Controller bekommt, ist man ein Profi, weil man gelernt hat, mit dem Chaos umzugehen. Dies bewies: Um einen Roboter zu bauen, der in der realen Welt funktioniert, muss man ihn mit Daten trainieren, die wie die reale Welt aussehen, und nicht wie eine perfekte Cartoon-Version.

Das „Geschwindigkeitsbegrenzer“-Problem
Als Nächstes untersuchten sie, wie sie den Computer schnell genug machen können. Normalerweise muss ein Roboter, bevor er ein Objekt erkennen kann, durch Millionen von Punkten sortieren, um die wichtigsten zu finden. Die Standardmethode hierfür ist eine Methode namens „Farthest Point Sampling“ (FPS). Denken Sie bei FPS an einen sehr gründlichen, aber langsamen Bibliothekar, der durch eine Bibliothek geht, den Abstand zwischen jedem einzelnen Buch misst und diejenigen auswählt, die am weitesten voneinander entfernt liegen, um sicherzustellen, dass sie den ganzen Raum abdecken. Das ist genau, aber es dauert lange. Auf einem winzigen Computer dauert dieser Sortierprozess so lange, dass der Roboter nicht in Echtzeit reagieren kann.

Die Forscher probierten einen anderen Ansatz unter Verwendung eines „Critical Point Layer“ (CPL) aus. Anstatt Entfernungen wie der langsame Bibliothekar zu messen, fungiert der CPL wie ein superschneller, intelligenter Filter. Es ist ein vortrainierter Filter, der genau weiß, welche Punkte die „Stars“ der Show sind – die Flügelspitzen, die Ecken eines Tisches oder die Nase eines Flugzeugs – und welche Punkte nur Hintergrundrauschen sind. Er misst keine Entfernungen; er betrachtet einfach die Form und sagt sofort: „Behalte diese 40 bis 60 Punkte, wirf den Rest weg.“

Die Ergebnisse
Als sie dieses neue System auf dem Raspberry Pi 5 testeten, waren die Ergebnisse beeindruckend.

• Geschwindigkeit: Die alte Methode (FPS) war ein Flaschenhals und benötigte bis zu 23 Millisekunden, um nur 512 Punkte zu sortieren. Der neue CPL-Filter war fast dreimal schneller und benötigte nur etwa 2 Millisekunden, um eine Punktwolke auf einen winzigen, essenziellen Satz von 40 bis sechszig Punkten zu komprimieren.
• Genauigkeit: Selbst mit so wenigen Punkten verbleibenden Punkten konnte der Roboter Objekte mit hoher Genauigkeit identifizieren (88,36 %).
• Echtzeit-Leistung: Das gesamte System konnte etwa 50 Bilder pro Sekunde verarbeiten. Das ist schnell genug, damit ein Roboter fahren oder navigieren kann, ohne Verzögerungen (Lag).

Was sie nicht getan haben
Das Paper weist sorgfältig darauf hin, was diese Methode nicht leistet. Sie behauptet nicht, für jede einzelne Situation perfekt zu sein. Zum Beispiel ist der CPL-Filter zwar großartig für die Klassifizierung (um einen Stuhl von einem Tisch zu unterscheiden), aber er wählt nicht unbedingt dieselben Punkte aus, die ein Mensch für wichtig halten würde. Wenn Sie einen Menschen fragen würden, welchen Teil eines Flugzeugs er als „am wichtigsten“ erachten würde, würde er vielleicht auf die Flügel zeigen. Der CPL-Filter wählt die Flügel auch aus, aber er tut dies vielleicht auf eine Weise, die für das menschliche Auge seltsam aussieht, da er rein darauf fokussiert ist, was der Maschine hilft, die richtige Antwort zu erraten, und nicht darauf, was „schön“ aussieht. Zudem deutet das Paper an, dass für noch größere Aufgaben (wie das Verarbeiten von Millionen von Punkten eines massiven Außen-Scanners) diese Methode eventuell auf spezialisierte Hardware wie FPGAs verlagert werden müsste, aber für den Moment funktioniert sie auf dem Raspberry Pi hervorragend.

Das Fazit
Kurz gesagt zeigt dieses Paper, dass wir winzige, günstige Computer dazu bringen können, die 3D-Welt in Echtzeit zu sehen, indem wir zwei Dinge tun: Sie mit unordentlichen, realistischen Daten trainieren statt mit perfekten Cartoons, und einen smarten, vortrainierten Filter verwenden, um 95 % der Daten wegzuwerfen, noch bevor der Computer überhaupt anfängt zu denken. Es ist, als würde man einem Schüler beibringen, ein Gesicht zu erkennen, indem man ihm tausende unscharfe, verrauschte Fotos zeigt, und ihm dann eine magische Brille gibt, die sofort nur die Augen und den Mund hervorhebt, sodass er in einem Bruchteil einer Sekunde eine Entscheidung treffen kann.