Programa de Pós Graduação em Ciência da Computação, Universidade Federal do Rio Grande do Sul - UFRGS
Este artigo tem como objetivo apresentar e analisar as etapas do desenvolvimento de um classificador de objetos em nuvens de pontos. Foi aplicada a técnica de clusterização DBSCAN - Density-based Spatial Clustering of Applications with Noise. Como fonte de dados, utilizou-se datasets e ferramentas fornecidas pela empresa Velodyne, fabricante de sensores LIDAR amplamente utilizado em carros autônomos. Optou-se pelo DBSCAN por oferecer uma solução baseada em densidade e considerar a presença de ruídos, duas características presentes nas nuvens de pontos. Foi possível classificar com sucesso os objetos contidos nas nuvens de pontos, mesmo que estes contenham pequena quantidade de ruídos. Conclui-se que a utilização do método DBSCAN não fornece performance suficiente para a análise em tempo real. Objetos mais distantes do sensor tendem a ser mais esparsos, o que em algumas situações resultou no mesmo objeto dividido em múltiplas classes ou ignorado.
Slides