MLATC: Fast Hierarchical Topological Mapping from 3D LiDAR Point Clouds Based on Adaptive Resonance Theory

📄 arXiv: 2511.22238v1 📥 PDF

作者: Ryosuke Ofuchi, Yuichiro Toda, Naoki Masuyama, Takayuki Matsuno

分类: cs.RO

发布日期: 2025-11-27

💡 一句话要点

提出MLATC，加速三维激光雷达点云的快速分层拓扑地图构建

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 拓扑地图 三维激光雷达 点云处理 自适应谐振理论 分层聚类 机器人导航 环境建模

📋 核心要点

  1. 现有ATC-DT方法在构建大规模拓扑地图时，由于需要对所有节点进行最近邻搜索，导致计算效率降低，可扩展性受限。
  2. MLATC通过构建分层节点结构，实现从粗到细的最近邻搜索，显著减少了距离计算次数，提高了搜索效率。
  3. 实验结果表明，MLATC在合成和真实数据集上均优于ATC-DT，实现了亚线性搜索时间，并保持了毫秒级的每帧运行时间。

📝 摘要（中文）

本文旨在解决自主移动机器人在大规模、动态和未知环境中，从三维激光雷达点云构建全局拓扑地图的问题。基于自适应谐振理论的拓扑聚类方法ATC-DT能够构建全局拓扑地图，并减轻序列处理过程中的灾难性遗忘。然而，其胜者选择机制依赖于对所有现有节点的穷举最近邻搜索，导致地图规模增大时出现可扩展性限制。为了解决这个问题，我们提出了一种名为多层ATC（MLATC）的分层扩展方法。MLATC将节点组织成一个层次结构，使得最近邻搜索能够从粗到细地进行，从而大幅减少每次查询的距离评估次数。层数不是预先固定的。MLATC采用自适应层添加机制，当下层饱和时自动加深层次结构，从而保持较低的用户定义超参数数量。在合成的大规模环境中的仿真实验表明，与原始ATC-DT相比，MLATC加速了拓扑地图的构建，并且搜索时间相对于节点数量呈现亚线性、近似对数级的缩放。在校园规模的真实激光雷达数据集上的实验证实，MLATC保持了毫秒级的每帧运行时间，并实现了大规模环境中的实时全局拓扑地图构建，在计算效率方面显著优于原始ATC-DT。

🔬 方法详解

问题定义：论文旨在解决在大规模环境中，如何高效地利用3D激光雷达点云构建全局拓扑地图的问题。现有方法，如ATC-DT，在节点数量增加时，其最近邻搜索的计算复杂度线性增长，成为性能瓶颈。因此，需要一种能够降低搜索复杂度的拓扑地图构建方法。

核心思路：论文的核心思路是引入分层结构，将节点组织成多层，从而将全局搜索转化为分层搜索。通过在粗粒度层快速筛选掉大量不相关的节点，从而减少在细粒度层需要计算距离的节点数量，降低整体搜索复杂度。

技术框架：MLATC的整体框架包括以下几个主要阶段：1) 点云数据输入；2) 特征提取（未明确说明具体特征，但推测是用于节点相似度计算的特征）；3) 分层拓扑地图构建，包括节点插入、层级搜索和自适应层添加；4) 地图更新和维护。关键在于分层拓扑地图的构建和维护过程。

关键创新：MLATC的关键创新在于其分层搜索策略和自适应层添加机制。分层搜索将原本的全局最近邻搜索转化为分层搜索，显著降低了搜索复杂度。自适应层添加机制能够根据下层节点的饱和程度动态调整层数，避免了手动设置层数的困难，并保证了地图的有效性。与现有方法的本质区别在于，MLATC通过分层结构实现了亚线性的搜索复杂度，从而提高了可扩展性。

关键设计：论文中未详细描述具体的特征提取方法和距离度量方式，但这些是影响聚类效果的关键因素。自适应层添加机制的具体阈值和策略也未详细说明，这些参数会影响层级结构的深度和搜索效率。此外，层级之间的连接方式（例如，父节点如何代表子节点）也是一个重要的设计选择，但论文中没有详细描述。

📊 实验亮点

实验结果表明，MLATC在合成数据集上实现了亚线性（近似对数级）的搜索时间缩放，显著优于原始ATC-DT的线性缩放。在真实校园数据集上，MLATC保持了毫秒级的每帧运行时间，实现了实时全局拓扑地图构建，计算效率显著优于ATC-DT。这些结果验证了MLATC在大规模环境中的高效性和可扩展性。

🎯 应用场景

MLATC技术可应用于自主移动机器人、自动驾驶、三维重建、环境监测等领域。在这些应用中，机器人需要在大型未知环境中进行导航和探索，构建全局拓扑地图是实现这些功能的基础。MLATC的高效性和可扩展性使其能够在大规模环境中实时构建拓扑地图，从而提高机器人的自主性和适应性。未来，该技术可以进一步扩展到多机器人协同建图等更复杂的场景。

📄 摘要（原文）

This paper addresses the problem of building global topological maps from 3D LiDAR point clouds for autonomous mobile robots operating in large-scale, dynamic, and unknown environments. Adaptive Resonance Theory-based Topological Clustering with Different Topologies (ATC-DT) builds global topological maps represented as graphs while mitigating catastrophic forgetting during sequential processing. However, its winner selection mechanism relies on an exhaustive nearest-neighbor search over all existing nodes, leading to scalability limitations as the map grows. To address this challenge, we propose a hierarchical extension called Multi-Layer ATC (MLATC). MLATC organizes nodes into a hierarchy, enabling the nearest-neighbor search to proceed from coarse to fine resolutions, thereby drastically reducing the number of distance evaluations per query. The number of layers is not fixed in advance. MLATC employs an adaptive layer addition mechanism that automatically deepens the hierarchy when lower layers become saturated, keeping the number of user-defined hyperparameters low. Simulation experiments on synthetic large-scale environments show that MLATC accelerates topological map building compared to the original ATC-DT and exhibits a sublinear, approximately logarithmic scaling of search time with respect to the number of nodes. Experiments on campus-scale real-world LiDAR datasets confirm that MLATC maintains a millisecond-level per-frame runtime and enables real-time global topological map building in large-scale environments, significantly outperforming the original ATC-DT in terms of computational efficiency.