SLAM 點雲圖鑑Point clouds for construction
M-01 · 2024

DUFOMap

DUFOMap 不直接偵測動態物，而是辨識「曾被完整觀測為空」的空洞區域（void region）：以射線投射判斷體素是否被完整看空，一旦成立，其他時刻落在其中的點即為動態點。方法以 UFOMap 八元樹實作，並加入考慮量測雜訊與位姿誤差的保守判定，所有情境使用同一組參數，可線上或後處理執行，也能處理非連續的測量級掃描站資料。

地圖表示與表面重建近十年已讀全文同儕審查已出版全域一致性、場所辨識與長期建圖

閱讀版本
arXiv v2 (2024-04-12), accepted RA-L preprint (header 'accepted March 2024'); IEEE version of record 9(6):5038-5045 not read
全文取得途徑
arXiv 預印本
本頁內容

DUFOMap marks voxels ever observed fully empty via ray casting and labels any later points inside them as dynamic, using one parameter set across sensors and working online or offline.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入3D LiDAR、terrestrial laser scanner (survey data, qualitative)
原文測試平台vehicle、static survey scanner、未查證
狀態估計不適用
資料關聯ray casting to classify voxels observed completely empty at least once (void regions); points inside void regions at other times are dynamic
時間表示不適用
去畸變原文未報告
迴圈閉合不適用
全域最佳化不適用
地圖表示UFOMap octree voxels with a void flag
先驗資訊sensor poses supplied with point clouds
可輸出幾何static map and dynamic point labels; online or post-processing
計算需求desktop Intel Core i9-12900KF; robot Intel NUC with Intel Core i7-8559U (Sec. IV-D); mean run time per point cloud 0.062 s on KITTI highway (64-channel) and 0.019 s on the 16-channel semi-indoor data, the lowest of the compared methods (Table II); about 20 Hz on the 4-core NUC with range limited to 20 m, versus less than 10 Hz for Dynablox (Sec. V-A2)

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
LiDARHDL-64E歸入：Velodyne HDL-64E資料集感測器KITTI (SemanticKITTI labels and poses)64-channel; about 0.1 million points per scan, 30 deg vertical FoV (as compared in Sec. IV-A)(Duberg et al., 2024, Sec. IV-A)
LiDARVLP-32C (two sensors)歸入：Velodyne VLP-32C資料集感測器Argoverse 2 big cityurban driving data with various dynamic objects(Duberg et al., 2024, Sec. IV-A)
LiDARVLP-16歸入：Velodyne VLP-16資料集感測器Semi-indoor (self-collected)sparse 16-channel LiDAR in a highly structured semi-indoor environment(Duberg et al., 2024, Sec. IV-A, Fig. 5)
LiDAR128-channel LiDAR (model not reported)資料集感測器DOALShighly dynamic train station(Duberg et al., 2024, Sec. IV-A, Sec. V-B1, Fig. 6)
LiDARLivox Mid-360歸入：Livox MID-360資料集感測器two-floor structure sequencetwo-floor structure(Duberg et al., 2024, Sec. IV-A, Fig. 7)
地面雷射掃描儀（TLS）Leica RTC360資料集感測器MCD VIRAL (part)survey 3D laser scanner; about 1.3 million points per scan, 300 deg vertical FoV; discrete stations with large height differences(Duberg et al., 2024, Sec. I, Sec. IV-A, Fig. 1)
運算硬體Intel Core i9-12900KF執行運算平台未標示desktop; main experiments(Duberg et al., 2024, Sec. IV-D)
運算硬體Intel NUC with Intel Core i7-8559U執行運算平台未標示robot computer, 4-core CPU(Duberg et al., 2024, Sec. IV-D, Sec. V-A2)

論文圖片

只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。

  • Leica RTC360 測量級掃描所得點雲地圖受走動行人影響；DUFOMap 偵測動態點（分群著色）並輸出清理後地圖

    Fig. 1Leica RTC360 測量級掃描所得點雲地圖受走動行人影響；DUFOMap 偵測動態點（分群著色）並輸出清理後地圖

    出處：Duberg et al., 2024，Fig. 1。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 自行蒐集的稀疏 VLP-16 半室內資料：人工標註真值與 ERASOR、OctoMap、Dynablox、DUFOMap 的動態點判定及清理後地圖

    Fig. 5自行蒐集的稀疏 VLP-16 半室內資料：人工標註真值與 ERASOR、OctoMap、Dynablox、DUFOMap 的動態點判定及清理後地圖

    出處：Duberg et al., 2024，Fig. 5。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • DOALS 火車站高動態場景經 DUFOMap 清理後的地圖

    Fig. 6(b)DOALS 火車站高動態場景經 DUFOMap 清理後的地圖

    出處：Duberg et al., 2024，Fig. 6(b)。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 兩層樓複雜結構經 DUFOMap 清理後的地圖，依高度著色並移除部分牆面以利檢視

    Fig. 7(b)兩層樓複雜結構經 DUFOMap 清理後的地圖，依高度著色並移除部分牆面以利檢視

    出處：Duberg et al., 2024，Fig. 7(b)。授權：CC BY-NC-SA 4.0。原始圖檔。修改：轉存為 WebP 格式。

作者報告的優勢與限制

優勢

  • Same parameters across all scenarios with accuracy better than or on par with compared methods (abstract)
  • Highest AA on KITTI 00 (98.34%), KITTI 01 (96.12%) and semi-indoor (90.94%); second on Argoverse 2 (92.70% versus 94.46% for Dynablox) (Table I)
  • Lowest run time per point cloud among the compared methods (Table II)
  • With KISS-ICP poses AA reached 99.03% on KITTI 00 (Table III)
  • Handles non-sequential, dense survey scanner data (Leica RTC360) qualitatively (Sec. V-B2)

限制

  • Sparse LiDAR data lowers dynamic accuracy because neighbouring voxels must be observed (Sec. V-E)
  • A region must be seen void at least once, so parts of slowly moving large objects may be missed (Sec. V-E)
  • All methods, including DUFOMap, are influenced by pose quality; worse poses make scenes appear more dynamic (Sec. V-C, Table III)
  • Online use (DUFOMap*) lowers DA; on the semi-indoor data people standing still are labelled dynamic only once they have moved (Sec. V-A1, Table I)
  • Results depend on the noise and localization margins: without ds and dp SA fell to 14.89% on KITTI 00 (Sec. V-D, Table IV)

營建工程相關證據

以測量級 TLS（Leica RTC360，取自 MCD VIRAL 資料集）離散站點資料做定性示範（Sec. IV-A、V-B2、Fig. 1）；作者對 OctoMap 每體素樣本過少、ERASOR 固定高度門檻與 Dynablox 需連續資料等不適用性，是依方法原理所作的分析，而非實測比較。論文索引詞列有 Robotics and Automation in Construction，並以測量與營建產業的點雲需求作為動機（Sec. I）。另有 128 線光達火車站（DOALS）與 Livox Mid-360 兩層樓結構的定性資料（Sec. V-B1）。與工地 TLS 與移動掃描混合資料的清理相關（推論）；無工地資料或工程量測驗證。

原文驗證環境：公開基準、跨場域

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 5 個比較組，合計 51 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 1 組列在最後，並連到性能比較頁。

Duberg et al., 2024 · Table I 本方法 24 筆

表格設定（擷取紀錄原文）：Point-wise dynamic point removal accuracy (%) following the DynamicMap benchmark protocol; Removert, ERASOR, OctoMap and DUFOMap evaluated offline, Dynablox and DUFOMap* online (each scan classified with the map built so far); DUFOMap uses the same parameters for all data (voxel 0.1 m, ds 0.2 m, dp 1), Removert and ERASOR per-dataset optimized parameters; KITTI labels and poses from SemanticKITTI (Duberg et al., 2024, Table I)

SA (static accuracy, share of static points correctly kept)，KITTI (SemanticKITTI labels and poses) · 00 small town

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Duberg et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：%；場景：small town (HDL-64E)

資料來源作者報告值(Duberg et al., 2024, Table I)

數值與出處
方法（原文寫法）報告值出處
Removert [8]99.44%(Duberg et al., 2024, Table I)
ERASOR [9]66.7%(Duberg et al., 2024, Table I)
OctoMap [16]68.05%(Duberg et al., 2024, Table I)
DUFOMap (Ours)本方法原文提出97.96%(Duberg et al., 2024, Table I)
Dynablox [17]96.76%(Duberg et al., 2024, Table I)
DUFOMap* (Ours, online)本方法原文提出98.37%(Duberg et al., 2024, Table I)

Duberg et al., 2024 · Table IV 本方法 15 筆

資料集與序列KITTI (SemanticKITTI labels and poses) · 00 small town

表格設定（擷取紀錄原文）：Ablation on KITTI 00: sensor-noise margin ds (m), localization margin dp (voxels) and voxel size v (m); SA, DA, AA in % (Duberg et al., 2024, Table IV)

SA (static accuracy, share of static points correctly kept)，KITTI (SemanticKITTI labels and poses) · 00 small town

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Duberg et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：%；場景：small town (HDL-64E)

資料來源作者報告值(Duberg et al., 2024, Table IV)

數值與出處
方法（原文寫法）報告值出處
DUFOMap (w/o ds, dp, v = 0.1)本方法原文提出14.89%(Duberg et al., 2024, Table IV)
DUFOMap (ds = 0.2, v = 0.1)本方法原文提出30.29%(Duberg et al., 2024, Table IV)
DUFOMap (dp = 1, v = 0.1)本方法原文提出91.89%(Duberg et al., 2024, Table IV)
DUFOMap (ds = 0.2, dp = 1, v = 0.2)本方法原文提出92.97%(Duberg et al., 2024, Table IV)
DUFOMap (ds = 0.2, dp = 1, v = 0.1)本方法原文提出97.96%(Duberg et al., 2024, Table IV)

Duberg et al., 2024 · Table III 本方法 9 筆

表格設定（擷取紀錄原文）：Influence of the pose source on dynamic point removal, KITTI sequence 00: KITTI odometry ground-truth poses, SemanticKITTI poses estimated by SuMa, and KISS-ICP poses; SA, DA, AA in % (Duberg et al., 2024, Table III)

SA (static accuracy, share of static points correctly kept)，KITTI (SemanticKITTI labels) · 00 (KITTI GT poses)

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Duberg et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：%；場景：small town (HDL-64E)

資料來源作者報告值(Duberg et al., 2024, Table III)

數值與出處
方法（原文寫法）報告值出處
Removert [8]99.18%(Duberg et al., 2024, Table III)
ERASOR [9]63.83%(Duberg et al., 2024, Table III)
Octomap [16]54.81%(Duberg et al., 2024, Table III)
Dynablox [17]95.5%(Duberg et al., 2024, Table III)
DUFOMap (Ours)本方法原文提出92.57%(Duberg et al., 2024, Table III)

Duberg et al., 2024 · Table II 本方法 2 筆

指標Run time per point cloud [s]

表格設定（擷取紀錄原文）：Run time per point cloud (s, mean plus or minus std): total processing time divided by the number of point clouds; desktop Intel Core i9-12900KF (Sec. IV-D) (Duberg et al., 2024, Table II)

Run time per point cloud [s]，KITTI · 01 highway

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Duberg et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：未對齊；單位：s；場景：highway, 64-channel LiDAR

資料來源作者報告值(Duberg et al., 2024, Table II)

數值與出處
方法（原文寫法）報告值出處
Removert [8]硬體：desktop Intel Core i9-12900KF0.134 s原文指標寫法：Run time per point cloud [s] (mean 0.134, std 0.004)(Duberg et al., 2024, Table II)
ERASOR [9]硬體：desktop Intel Core i9-12900KF0.718 s原文指標寫法：Run time per point cloud [s] (mean 0.718, std 0.039)(Duberg et al., 2024, Table II)
OctoMap [16]硬體：desktop Intel Core i9-12900KF2.981 s原文指標寫法：Run time per point cloud [s] (mean 2.981, std 0.952)(Duberg et al., 2024, Table II)
Dynablox [17]硬體：desktop Intel Core i9-12900KF0.141 s原文指標寫法：Run time per point cloud [s] (mean 0.141, std 0.022)(Duberg et al., 2024, Table II)
DUFOMap (Ours)本方法原文提出硬體：desktop Intel Core i9-12900KF0.062 s原文指標寫法：Run time per point cloud [s] (mean 0.062, std 0.014)(Duberg et al., 2024, Table II)

其他比較組

列出其餘 1 個比較組

來源

  • Duberg et al., 2024

    Daniel Duberg, Qingwen Zhang, Mingkai Jia, Patric Jensfelt（2024）DUFOMap: Efficient Dynamic Awareness MappingIEEE Robotics and Automation Letters, 9(6):5038-5045

    DOI 10.1109/lra.2024.3387658arXiv 2403.01449程式碼

    同儕審查已出版已讀全文近十年查證後修正

程式碼：https://github.com/KTH-RPL/dufomap（授權：BSD-3-Clause (LICENSE file)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉