LIDAR-BASED CLASSIFICATION OF OBJECT MOVEMENT

Within machine vision, object movement is often estimated by applying image evaluation techniques to visible light images, utilizing techniques such as perspective and parallax. However, the precision of such techniques may be limited due to visual distortions in the images, such as glare and shadows. Instead, lidar data may be available (e.g., for object avoidance in automated navigation), and may serve as a high-precision data source for such determinations. Respective lidar points of a lidar point cloud may be mapped to voxels of a three-dimensional voxel space, and voxel clusters may be identified as objects. The movement of the lidar points may be classified over time, and the respective objects may be classified as moving or stationary based on the classification of the lidar points associated with the object. This classification may yield precise results, because voxels in three-dimensional voxel space present clearly differentiable statuses when evaluated over time. En visionique, un mouvement d'objet est souvent estimé par application de techniques d'évaluation d'image à des images en lumière visible, à l'aide de techniques telles que la perspective et la parallaxe. Cependant, la précision de telles techniques peut être limitée du fait de distorsions visuelles dans les images, telles qu'un éblouissement et des ombres. Au lieu de cela, des données lidar peuvent être disponibles (par exemple, pour un évitement d'objet en navigation automatisée), et peuvent servir en tant que source de données de haute précision pour de telles déterminations. Des points lidar respectifs d'un nuage de points lidar peuvent être mappés en voxels d'un espace de voxels tridimensionnel, et des grappes de voxels peuvent être identifiées en tant qu'objets. Le mouvement des points lidar peut être classifié dans le temps, et les objets respectifs peuvent être classifiés en tant que mobiles ou fixes sur la base de la classification des points lidar associés à l'objet. Cette classification peut permettre d'obtenir des résultats précis, étant donné que les voxels dans un espace de voxels tridimensionnels présentent des états clairement différenciables lorsqu'il sont évalués dans le temps.