Fast Evaluation of Neighborhood-Based Features from Point Cloud Data on the GPU

Thumbnail Image

Files

master_Kononen_Aleksi_2025.pdf (7.79 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-12-16

Department

Major/Subject

Computer Science

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

79

Series

Abstract

Distance measurements can be collected with high spatial accuracy using light detection and ranging (LiDAR) technology by utilizing the time of flight of a laser pulse reflected from the environment. Modern laser scanner measurement systems are used for a variety of applications ranging from autonomous driving to infrastructure digitization due to their high accuracy and data collection rate. However, the rate of data acquisition presents a significant challenge for efficient data analysis especially within real-time performance constraints. To obtain maximal computational performance from modern processors, implementations must facilitate a sufficient degree of parallel execution. This thesis considers the use of the specialized hardware of the graphics processing unit (GPU) for point cloud analysis and presents novel parallelized methods for computing local geometric descriptors and evaluating local context-based template models for small object detection. To maximize hardware utilization, several optimization techniques targeting different aspects of the hardware are developed and evaluated both separately and in combination. Depending on the method, different techniques are shown to reduce memory use by 71–86% and runtime by 26–58% and improve the computational performance by 29–81%, with best performance obtained by combining techniques. The template method is used to detect rails and shown to reach 96.9% precision while achieving a speedup by a factor of 12 over the state-of-the-art. The developed methods satisfy real-time performance requirements, exceeding the rate of data collection by factors of 54 and 16.

Etäisyysmittauksia voidaan suorittaa tarkasti pulssipohjaisten laserkeilaimien avulla käyttäen ympäristöstä heijastuvan valopulssin lentoaikaa. Laserkeilaimia hyödynnetään muun muassa itseohjautuvissa autoissa ja infrastruktuurin digitointihankkeissa suuren mittaustaajuuden ja -tarkkuuden ansiosta. Keilaimen tuottaman mittausaineiston määrä tuottaa kuitenkin haasteita prosessoinnin kannalta erityisesti reaaliaikaisuutta vaativissa tilanteissa. Nykyaikaisissa prosessoreissa saavutetun laskentatehon kasvattaminen vaatii huomattavaa rinnakkaislaskentaa. Tässä opinnäytetyössä tarkastellaan grafiikkaprosessorien (GPU) rinnakkaislaskentaan erikoistuneen laitteiston käyttöä pistepilvien analysointiin ja esitetään rinnakkaistetut menetelmät paikallisten geometristen selittäjien määrittämiseksi sekä pienten kappaleiden tunnistamiseksi lähinaapurustoon sovitettavan mallin avulla. Prosessorin täysimittainen hyödyntäminen edellyttää käytettyjen menetelmien optimointia. Työn menetelmiä kehitetään eri tarkoituksiin laadittujen optimointitekniikoiden avulla ja niiden vaikutuksia tarkastellaan sekä erikseen että yhdistettynä. Eri tekniikoiden osoitetaan vähentävän muistin käyttöä 71–86% ja ajoaikaa 26–58% sekä kasvattavan saavutettua laskentatehoa 29–81% menetelmästä riippuen. Yhteensopivien optimointien yhdistäminen parantaa suorituskykyä. Lähinaapurustomallia sovelletaan raiteiden tunnistamiseen ja sillä saavutetaan 96,9% tarkkuus sekä vähennetään tarvittavaa laskenta-aikaa kertoimella 12 aiempiin tuloksiin verrattuna. Kehitetyt menetelmät soveltuvat reaaliaikaiseen laskentaan, sillä niiden suorituskyvyt ylittävät mittaustaajuuden kertoimilla 54 ja 16.

Description

Supervisor

Suomela, Jukka

Thesis advisor

Kaartinen, Harri

Keywords

nearest neighbor search, local descriptors, extraction, GPU, CUDA, optimization, point cloud

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202501302231

Collections

[dipl] Perustieteiden korkeakoulu / SCI