SLAM 點雲圖鑑Point clouds for construction
M-01 · 2021

ERASOR

ERASOR 假設都市環境中多數動態物體與地面接觸，以自我中心的極座標區塊計算「偽佔據」（pseudo occupancy，區塊內高度差），比較查詢掃描與地圖子集的比值，找出可能含動態點的區塊；再以區域地面平面擬合（R-GPF）保留地面、剔除其上的動態點。方法不依賴光線追蹤或可視性判斷，但假設位姿已事先最佳化。

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 2103.04316v1 (2021-03-07; comment states accepted to RA-L with ICRA 2021); IEEE version of record not compared
全文取得途徑
arXiv 預印本
本頁內容

ERASOR flags bins whose pseudo-occupancy ratio between query scan and map indicates dynamic objects in contact with the ground, then keeps ground points via region-wise ground plane fitting.

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
原文測試平台vehicle
狀態估計不適用
資料關聯Egocentric ring-sector bins (R-POD) inside a volume of interest (Lmax 80 m, height from -1.0 m to 3.0 m relative to the ground); pseudo occupancy per bin = max minus min z; the Scan Ratio Test compares query and map pseudo occupancy bin by bin and selects bins whose scan ratio is below 0.2 as potentially dynamic (map bin occupied by an object that is absent in the query); Region-wise Ground Plane Fitting by PCA on the lowest seed points, three iterations, ground threshold tau_g = 0.15 (Sec. II-B to II-E, Sec. IV-A).
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static point-cloud map
先驗資訊poses assumed already optimized/corrected (Sec. II-A)
可輸出幾何static point-cloud map with dynamic points removed
計算需求0.0732 s per iteration on SemanticKITTI seq 01 versus 1.077 s (OctoMap) and 0.8307 s (Removert); the Peopleremover entry is printed as '1,000' s (Table III). The paper reports no CPU, GPU or other hardware anywhere. The authors state ERASOR is O(n log n) versus O(n) for Removert, yet faster because it removes dynamic points bin-wise in one shot (Sec. IV-D).

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
LiDAR3D LiDAR (model not named in the paper)資料集感測器SemanticKITTI原文未報告(Lim et al., 2021, Sec. I, Sec. III-A)

作者報告的優勢與限制

優勢

  • Visibility-free, avoiding failures of ray-tracing and visibility methods for large nearby objects (Sec. IV-C)
  • Bin-wise one-shot removal faster than the compared methods on seq 01 (Sec. IV-D, Table III)

限制

  • Assumes dynamic objects are in contact with the ground (Sec. II-A)
  • Assumes poses are given after optimization (Sec. II-A)
  • Found in follow-up benchmark: removes tree trunks and ground near pedestrians because of height sensitivity (Zhang et al., 2023a Sec. V-B)
  • Argued in follow-up work by theory-based analysis (not an experiment): a fixed height threshold would have to be adjusted for survey data captured at varying ground and sensor heights (Duberg et al., 2024 Sec. V-B2)
  • Large-scale changes such as redevelopment or restoration of buildings are declared out of scope; the method targets instance-level dynamic objects (Sec. II)
  • Lower preservation rate than Removert RM3 on seq 01 (91.487% vs 94.221%), attributed to removal of distant, partially observed vegetation (Sec. IV-C, Table II)
  • R-GPF reverts a few dynamic points close to the ground, such as wheel contact points (Sec. IV-B, Table I)
  • Results depend on the ground threshold tau_g; 0.15 was chosen empirically as the preservation-rejection trade-off (Sec. IV-A, Fig. 6)

營建工程相關證據

無工地測試（SemanticKITTI 序列 00、01、02、05、07 的選定車載片段）。作者明確把都市中建物改建或修復等大尺度變化排除在研究範圍外，只處理車輛與行人等實例層級動態物（Sec. II）；工地結構體本身隨工期變化，正落在這個排除範圍。工地地面高程變化、多樓層、樓板開口與臨時構造物，也可能違反動態物接觸地面以及感興趣體積為地面下 1.0 m 至地面上 3.0 m 的假設（推論）。

原文驗證環境：公開基準

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 9 個比較組，合計 75 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 5 組列在最後，並連到性能比較頁。

Yang et al., 2024 · Table II 本方法 18 筆

表格設定（擷取紀錄原文）：Dynamic object removal on SemanticKITTI; point-wise labels, moving classes counted as dynamic; sequences and scan ranges follow the ERASOR setup; authors note ERASOR ran at a lower frame rate; baseline execution settings otherwise not stated (Yang et al., 2024, Table II)

PR (preservation rate)，SemanticKITTI · 00

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 Yang 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：ratio；場景：urban driving, vehicle-mounted LiDAR

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

數值與出處
方法（原文寫法）報告值出處
ERASOR本方法0.9172 ratio(Yang et al., 2024, Table II)
Removert0.9328 ratio(Yang et al., 2024, Table II)
Ground-Octomap0.7765 ratio(Yang et al., 2024, Table II)
Ours原文提出0.9471 ratio(Yang et al., 2024, Table II)

Lim et al., 2021 · Table II 本方法 15 筆

表格設定（擷取紀錄原文）：Static-map benchmark on five manually selected SemanticKITTI frame ranges with SuMa poses; PR and RR computed voxel-wise with 0.2 voxel size for all methods; OctoMap run at 0.05 and 0.2 voxel sizes; Removert RM3 = three removal stages, RM3+RV1 adds one revert stage (Lim et al., 2021, Table II)

Preservation Rate (PR)，SemanticKITTI · 00 (frames 4390-4530)

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 Lim et al., 2021 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：urban driving (countryside, highway, intersections)

資料來源作者報告值(Lim et al., 2021, Table II)

數值與出處
方法（原文寫法）報告值出處
OctoMap - 0.0576.731%(Lim et al., 2021, Table II)
OctoMap - 0.234.568%(Lim et al., 2021, Table II)
Peopleremover37.523%(Lim et al., 2021, Table II)
Removert - RM385.502%(Lim et al., 2021, Table II)
Removert - RM3+RV186.829%(Lim et al., 2021, Table II)
ERASOR (Ours)本方法原文提出93.98%(Lim et al., 2021, Table II)

Duberg et al., 2024 · Table I 本方法 12 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]本方法66.7%(Duberg et al., 2024, Table I)
OctoMap [16]68.05%(Duberg et al., 2024, Table I)
DUFOMap (Ours)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)原文提出98.37%(Duberg et al., 2024, Table I)

Zhang et al., 2023a · Table I 本方法 12 筆

表格設定（擷取紀錄原文）：Point-wise dynamic point removal accuracy (%): SA static accuracy, DA dynamic accuracy, AA = sqrt(SA x DA); methods marked * are offline and need a prior raw map; 'Octomap w G' adds ground estimation and 'Octomap w GF' also statistical outlier filtering (the benchmark's own extension); poses from dataset files for KITTI and AV2.0, simple NDT SLAM for semi-indoor (Zhang et al., 2023a, Table I)

SA (static accuracy)，KITTI (SemanticKITTI labels) · sequence 00

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 Zhang et al., 2023a 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 (SemanticKITTI)

資料來源作者報告值(Zhang et al., 2023a, Table I)

數值與出處
方法（原文寫法）報告值出處
Removert* [5]99.44%(Zhang et al., 2023a, Table I)
ERASOR* [16]本方法66.7%(Zhang et al., 2023a, Table I)
Octomap [8]68.05%(Zhang et al., 2023a, Table I)
Octomap w G原文提出85.92%(Zhang et al., 2023a, Table I)
Octomap w GF原文提出93.06%(Zhang et al., 2023a, Table I)

其他比較組

列出其餘 5 個比較組

來源

  • Lim et al., 2021

    Hyungtae Lim, Sungwon Hwang, Hyun Myung（2021）ERASOR: Egocentric Ratio of Pseudo Occupancy-Based Dynamic Object Removal for Static 3D Point Cloud Map BuildingIEEE Robotics and Automation Letters, 6(2):2272-2279

    DOI 10.1109/lra.2021.3061363arXiv 2103.04316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/LimHyungTae/ERASOR。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