💻 computer science

Geometrically Approximated Modeling for Emitter-Centric Ray-Triangle Filtering in Arbitrarily Dynamic LiDAR Simulation

本文介绍了几何近似建模（GRCA）算法，该算法通过基于以发射器为中心的几何近似来确定哪些射线可以击中每个三角形，从而反转了传统的光线追踪过程，进而实现在无需进行昂贵的加速结构重建的情况下，在高度动态场景中实现显著更快的实时 LiDAR 模拟。

原作者： Rabin Gajmer, Joonas Haapala, Zoltan Beck

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Rabin Gajmer, Joonas Haapala, Zoltan Beck

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在一个拥挤、混乱的公园里寻找一个完美的自拍角度，周围的人们正在奔跑、跳跃和旋转。现在，再想象你拥有一台相机，它不仅仅是拍摄一张照片，而是同时向所有方向发射数百万条看不见的激光束，试图击中每一个人、每一棵树和每一张长凳，以精确测量它们距离有多远。这就是 LiDAR（激光雷达）传感器所做的事情。它是许多自动驾驶汽车和机器人的“眼睛”，通过发射光线并等待其反射回来，从而绘制出一幅 3D 世界图景。

棘手之处在于，世界始终在运动。在工程师在实路上路测试汽车之前的计算机模拟中，场景中的物体——汽车、行人、建筑物——在每一帧动画中都可能改变形状或位置。为了确定哪条激光束击中了哪个物体，计算机通常使用一种聪明的分类系统，叫做“包围体层次结构”（Bounding Volume Hierarchy, BVH）。你可以把它想象成一组巨大的、嵌套在一起的俄罗斯套娃。计算机首先检查最大的那个娃娃；如果激光错过了大娃娃，它就知道也错过了内部的所有东西。如果击中了大娃娃，它就会打开它，去检查里面更小的娃娃。但问题在于，如果公园里的人开始跳舞并改变位置，计算机必须为每一帧都从头开始重新构建这整套嵌套娃娃。这就像是每当一本书移动了几英寸，你就不得不重新整理一个拥有百万本书籍的图书馆。这需要耗费大量的时间和计算能力，使得实时模拟快速移动的场景变得异常困难。

这就是一种被称为 Gajmer 射线投射算法（GRCA） 的新方法，它为这个问题提供了一个巧妙的转折。GRCA 不再问：“这条激光束击中了哪个物体？”（这会迫使计算机将每一条射线与每一个物体进行对比），而是反过来问：“哪些激光束可能击中这个特定的物体？”

想象一下，你是一名站在房间中央的保安，你不再是检查每一个人是否持有武器，而是先看武器。你会问：“如果这个人拿着一把刀，房间里的哪些保安可能会看到它？”你会意识到，只有站在那个人正前方特定弧度范围内的保安才能看到那把刀。你会立即忽略掉那个人身后或侧边的所有保安。GRCA 对激光和三角形（构成 3D 物体的微小平面形状）也正是这样做的。

作者们在与丰田合作时发现，旋转的 LiDAR 传感器发射的并不是随机的射线，而是遵循着整齐、可预测的模式。单排旋转的激光会形成一个圆锥体形状，而水平线上的激光则会形成一个平面。GRCA 利用这种几何特性，为场景中的每个三角形绘制一个“圆锥”或“平面”。然后它会询问：“这个三角形的圆锥是否与传感器的任何激光通道重叠？”如果答案是否定的，计算机会立即丢弃该三角形，而不进行繁重的数学运算。如果答案是肯定的，它才会针对经过该圆锥的具体激光进行检查。

为了让速度更快，该算法根据三角形从传感器的视角来看的大小，将它们分为两组。细小且遥远的三角形（看起来很小）会进行快速、粗略的检查；而较大且近处的三角形则会进行更精确的检查。这种两步走的过程意味着计算机几乎不会在那些无关紧要的数百万个微小、遥远物体上浪费时间，而是将力量集中在那些巨大且重要的物体上。

这种方法的测试结果令人印象深刻。在涉及包含数百万个移动三角形、且每帧发射多达 400 万条射线的复杂场景测试中，GRCA 比目前的行业标准要快得多。在标准处理器上，它比领先的软件库（Embree）快了高达 14.55 倍。在图形处理器（GPU）上，它比顶尖的硬件加速工具（OptiX）快了高达 7.97 倍。即使在物体发生形变和剧烈移动的最混乱场景下，GRCA 依然能保持这种速度，因为它不需要每次物体移动时都重建它的“分类系统”。

论文还表明，这种方法可以与旧方法结合使用：将 GRCA 用于场景中的移动部分，而将传统方法用于静态部分。这种“混合”方法甚至更快，在最复杂的测试中，达到了标准 CPU 方法速度的 19.2 倍。

最终，这项研究表明，通过改变我们提问的方式——从“这条射线击中了什么？”转变为“哪些射线可以击中这个？”——我们可以更高效地模拟动态的现实环境。这可能意味着更快速、更真实的自动驾驶汽车和机器人测试，让工程师能够在极短的时间内模拟数百万英里的驾驶过程，而无需在每一秒钟都重新构建世界的分类系统。

技术摘要：用于任意动态 LiDAR 模拟中以发射器为中心的射线-三角形过滤的几何近似建模

1. 问题陈述

实时激光雷达（LiDAR）模拟要求在包含大量移动和变形物体的动态场景中，为每一条发射的射线识别最近的相交三角形。这种暴力求解方法的计算成本随射线数量与总三角形数量的乘积（ $\Omega \times \gamma \times \chi \times \tau$ ）线性扩展，在代表性场景中每帧约产生 $5.2 \times 10^{12}$ 次求交测试。

目前的尖端解决方案依赖于层次包围盒（BVH）和硬件加速的光线追踪（如 OptiX、Embree）。然而，这些方法在动态 LiDAR 模拟中面临三个结构性缺陷：

动态场景： 对于具有显著运动或变形的场景，BVH 需要进行每帧全量重建，其成本与总三角形数量成正比，而与实际发生运动的几何体多少无关。
360° LiDAR： 旋转式 LiDAR 在所有方向同时发射射线，消除了射线的相干性。这使得无法利用 BVH 遍历所依赖的节点测试成本摊销机制。
缺乏预先的三角形过滤： 标准 BVH API 将所有的剔除操作都建立在活跃射线的基础上。对于那些虽然与贡献几何体共享包围体、但处于范围之外或背向传感器的三角形，仍然会对每个射线进行测试。在动态场景中，松散的包围体通过包含非贡献几何体进一步降低了性能。

2. 方法论：Gajmer 射线投射算法 (GRCA)

GRCA 颠倒了传统的射线投射范式。它不是询问“每条射线会击中什么？”，而是询问“每个三角形可能击中哪些射线？”。这种方法消除了对加速结构和每帧场景重建的需求。

2.1 几何建模 (GACP)

算法将旋转式 LiDAR 发射器建模为几何近似圆锥或平面 (GACP)。

观察： 旋转式 LiDAR 单个垂直通道内的所有射线共同围绕旋转轴迹画出一个圆锥面（或在零仰角处为一个水平面）。
实现： GRCA 并非将单个射线扩展为体积原语（如束追踪法 Beam Tracing），而是保持射线为有向半直线，并测试 GACP 曲面与三角形的相交情况。这通过将寻找每个通道交集的问题简化为单个 GACP-T（GACP 与三角形）曲面测试，从而降低了问题复杂度。

2.2 以发射器为中心的过滤与分类

GRCA 利用表观面积定律根据三角形从射线原点出发的足迹进行分类（ $A_{origin} \propto A_T \cos \phi_{view} / \delta^2$ ）。

SAT（较小表观三角形）： 相对于传感器角分辨率而言，表观面积较小的三角形。这类三角形数量众多，但贡献的命中次数较少。
BAT（较大表观三角形）： 具有较大表观面积的三角形。这类三角形数量较少，但主导了扫描输出，需要精确处理。

2.3 两阶段流水线

算法通过两个阶段处理几何体，以平衡速度与精度：

早期阶段（保守型）：
- 应用快速的原点中心过滤器（背向面、距离、表观面积）。
- 使用廉价的近似检查（基于二分查找的 GACP-T 布尔谓词和顶点投影）预测每个三角形的通道跨度（ $C_{span}$ ）和射线跨度（ $R_{span}$ ）。
- SAT 处理： 被分类为 SAT 的三角形随预测跨度进行内联处理。
- BAT 处理： 被分类为 BAT 的三角形被推迟到第二阶段处理。
后期阶段（精确型）：
- 处理延迟处理的 BAT 列表。
- 计算精确的 GACP-T 相交，以确定每个通道精确的射线跨度端点。
- 解析方位角缝隙歧义（顺时针 CW 与逆时针 CCW 弧），使用平面相交测试进行解决。
- 仅针对预测的跨度执行最终的射线-三角形相交检查（Möller–Trumbore）。

3. 核心贡献

范式反转： 一种新型射线投射算法，其规模随场景几何体（ $O(\tau)$ ）变化，而非随射线数量变化，反转了标准的查询方向。
以发射器为中心的模型： 一种闭合形式的 GACP 曲面近似，可在无需场景划分的情况下生成每三角形的整数索引跨度 $[C_{from}, C_{to}] \times [R_{from}, R_{to}]$ 。
两阶段流水线： 由表观面积分类（SAT/BAT）驱动的设计，实现了无需 CPU 回传即可在 GPU 端完成 $O(\tau)$ 剔除。
实现与基准测试：
- GRCAGPU (CUDA)： 性能优于硬件加速的 OptiX 高达 7.97×。
- GRCACPU (AVX2/SSE4.1, 单线程)： 性能优于 Embree 高达 14.55×。
- 在 216 种唯一配置、6 个场景和 5 个硬件平台上进行了评估。
混合流水线： 展示了将 GRCA 用于动态几何体、将静态 BVH 用于静态几何体的结合方案，在复杂动态场景中实现了高达 19.2× 于 Embree 和 10.5× 于 OptiX 的加速。

4. 结果与性能

基准测试涵盖了从约 180 万到 2200 万个三角形的场景，包含多达 30 个动态物体以及 8 个同时运行的 128×4096 射线 LiDAR（约 420 万射线/帧）。

动态场景： 在存在全场景变形（SWD）的场景中，GRCA 保持了稳定的性能，而基于 BVH 的方法（Embree/OptiX）则受限于随位移扩展的重建成本。例如，在 SWD 下，Embree 性能下降了约 7 倍，而 GRCACPU 几乎不受影响（偏差 <1%）。
距离剔除： 应用现实部署范围（10–100 m）时，GRCA 比 Embree 快达 9.33×，比 OptiX 快达 7.02×。
准确性： 在绝大多数配置下，该算法相对于 OptiX 保持了 $\ge 98\%$ $\geq 98%$ 的命中匹配率。低于 98% 的情况主要归因于：
1. 表观面积剔除（三角形小于传感器分辨率）。
2. 斜向三角形的二分查找初始化错误。
3. 早期退出谓词的舍入误差。
4. 跨越缝隙的三角形在 CW/CCW 弧选择上的歧义。
可扩展性： GRCA 的性能在很大程度上独立于 CPU 后端的射线原点数量（ $\Omega$ ），而 GPU 后端呈线性扩展，但在 8 个传感器并发时仍显著快于基准方法。

5. 意义与局限性

论文指出，GRCA 通过将其替换为基于计算的、由几何体驱动的过滤方法，消除了动态 LiDAR 模拟中的主要成本——BVH 构建与遍历。对于高分辨率、多传感器及高度动态化的模拟，其重要性尤为突出，因为在这些场景下传统的加速结构无法有效摊销成本。

作者承认的局限性：

静态场景： 对于不存在重建成本的纯静态几何体，GRCA 不具备优势。
噪声约束： 该算法支持距离和方位角噪声，但不支持逐射线垂直噪声（即通道内每个射线独立的仰角偏移），因为 GACP-T 谓词是在每个通道的单一标称仰角下进行评估的。
准确性： 虽然准确性很高，但在涉及精细细分和极端变形的紧凑场景中，准确率可能会跌破 98%，但这被归因于传感器与几何体的失配，而非算法缺陷。

作者总结道，GRCA 在实际动态场景中将暴力求交的上限降低了三到七个数量级，提供了一种与厂商无关的实时 LiDAR 模拟解决方案。