Real-time Multi-Plane Segmentation Based on GPU Accelerated High-Resolution 3D Voxel Mapping for Legged Robot Locomotion

📄 arXiv: 2510.01592v1 📥 PDF

作者: Shun Niijima, Ryoichi Tsuzaki, Noriaki Takasugi, Masaya Kinoshita

分类: cs.RO

发布日期: 2025-10-02

备注: 8 pages, 12 figures, This work has been submitted to the IEEE for possible publication. Copyright may be transfered without notice, after which this version may no longer be accessible

💡 一句话要点

提出基于GPU加速高分辨率3D体素地图的实时多平面分割方法，用于提升腿式机器人运动性能。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 腿式机器人 平面分割 3D体素地图 GPU加速 实时性 运动控制

📋 核心要点

  1. 现有在线平面地图构建方法难以兼顾精度与效率，限制了腿式机器人的运动性能。
  2. 该方法融合顶点连通分量标记、RANSAC平面检测和凸包算法，并利用GPU加速，实现快速平面提取。
  3. 实验表明，该方法在0.01米分辨率下能以30Hz+的速率进行分割，并提升了腿式机器人的运动性能。

📝 摘要（中文）

本文提出了一种基于GPU加速的高分辨率3D体素地图的实时多平面分割方法，用于腿式机器人的运动控制。现有的在线平面地图构建方法难以平衡精度和计算效率：直接从特定传感器分割深度图像存在时间积分不足的问题；基于高度图的方法无法表示悬垂等复杂的3D结构；而基于体素的平面分割在实时应用中仍未被充分探索。为了解决这些限制，我们开发了一种新颖的框架，该框架集成了基于顶点的连通分量标记、基于随机抽样一致性的平面检测和凸包算法，利用GPU并行计算从高分辨率3D体素地图中快速提取平面区域。实验结果表明，即使在0.01米的分辨率下，所提出的方法也能以超过30 Hz的更新速率实现快速而精确的3D多平面分割，从而使检测到的平面能够实时用于运动任务。此外，我们通过在模拟环境和物理腿式机器人平台上的实验验证了该方法的有效性，证实了在考虑3D平面结构时，能够实现稳健的运动性能。

🔬 方法详解

问题定义：论文旨在解决腿式机器人在复杂3D环境中实时感知和理解地形的问题。现有方法，如直接深度图像分割，时间积分效果差；高度图方法无法表示悬垂结构；而体素化的平面分割方法难以满足实时性要求。这些限制阻碍了腿式机器人稳健的运动规划和控制。

核心思路：论文的核心思路是利用GPU并行计算能力，加速高分辨率3D体素地图的构建和平面分割过程。通过在高分辨率体素地图中累积点云数据，能够更精确地表示环境几何结构。然后，采用优化的平面分割算法，快速提取环境中的主要平面，为机器人提供可靠的地形信息。

技术框架：该方法主要包含以下几个阶段：1) 使用深度相机等传感器获取环境点云数据；2) 将点云数据累积到高分辨率3D体素地图中；3) 利用基于顶点的连通分量标记算法对体素地图进行分割，提取潜在的平面区域；4) 使用RANSAC算法对每个区域进行平面拟合，并计算凸包；5) 将检测到的平面信息用于腿式机器人的运动规划和控制。

关键创新：该方法的关键创新在于将顶点连通分量标记算法与RANSAC平面检测相结合，并充分利用GPU的并行计算能力。传统的RANSAC算法计算量大，难以满足实时性要求。通过预先进行连通分量标记，可以减少RANSAC算法的搜索空间，从而显著提高平面分割的速度。此外，GPU加速使得高分辨率体素地图的构建和平面分割成为可能。

关键设计：体素地图的分辨率是一个关键参数，它决定了环境表示的精度和计算复杂度。论文中使用了0.01米的分辨率，在精度和效率之间取得了较好的平衡。此外，RANSAC算法的参数设置，如迭代次数和距离阈值，也会影响平面分割的精度和鲁棒性。论文中对这些参数进行了优化，以适应腿式机器人的运动环境。

📊 实验亮点

实验结果表明，该方法能够在0.01米分辨率下，以超过30Hz的频率进行多平面分割，满足了实时性要求。在模拟和真实腿式机器人平台上的实验验证了该方法在复杂地形下的有效性，显著提升了机器人的运动性能和稳定性。与传统方法相比，该方法在精度和效率上都取得了显著提升。

🎯 应用场景

该研究成果可应用于腿式机器人在复杂地形下的自主导航、搜索救援、以及工业巡检等领域。通过实时感知和理解环境中的平面结构，机器人能够更安全、更高效地完成任务。未来，该技术还可扩展到其他类型的机器人，如无人车、无人机等，提升其在复杂环境中的适应能力。

📄 摘要（原文）

This paper proposes a real-time multi-plane segmentation method based on GPU-accelerated high-resolution 3D voxel mapping for legged robot locomotion. Existing online planar mapping approaches struggle to balance accuracy and computational efficiency: direct depth image segmentation from specific sensors suffers from poor temporal integration, height map-based methods cannot represent complex 3D structures like overhangs, and voxel-based plane segmentation remains unexplored for real-time applications. To address these limitations, we develop a novel framework that integrates vertex-based connected component labeling with random sample consensus based plane detection and convex hull, leveraging GPU parallel computing to rapidly extract planar regions from point clouds accumulated in high-resolution 3D voxel maps. Experimental results demonstrate that the proposed method achieves fast and accurate 3D multi-plane segmentation at over 30 Hz update rate even at a resolution of 0.01 m, enabling the detected planes to be utilized in real time for locomotion tasks. Furthermore, we validate the effectiveness of our approach through experiments in both simulated environments and physical legged robot platforms, confirming robust locomotion performance when considering 3D planar structures.