MoSA (Motion-based Sensing Architecture) 预览版——正在进行全面测试

MoSA 是面向实时机器人系统的高性能运动感知框架，专门为 ROBOMASTER 比赛激光雷达应用场景设计。它受到香港大学 MARS Lab 提出的 M-Detector 启发，并在其基础上完成深度工程化与系统级优化，重点关注：

极低延迟实时监测
CPU-only 高吞吐，强并行友好
稳定输出动态点云 + AABB
无学习依赖、无先验假设

MoSA 可在无语义、无训练数据的条件下稳定检测动态目标，并作为下游感知、规划、规避、检测等模块基础输入。

1. 参考

原作者单位：The University of Hong Kong, MARS Lab
论文：Moving Event Detection from LiDAR Point Streams（Nature Communications, 2024）

MoSA 保留并致谢原作者的算法思想与论文贡献，在实现层面对性能、并行模型与工程接口进行了系统性重构。

2. 效果演示

3. 环境与依赖

Ubuntu 22.04
ROS2 Humble
PCL >= 1.8
Eigen >= 3.3.4
oneTBB (libtbb-dev)

安装示例：

sudo apt install libpcl-dev libeigen3-dev libtbb-dev

4. 工作空间结构

推荐目录结构：

ros2_ws/
  src/
    mosa/

Important

若使用 Livox 设备，需要确保 livox_interfaces 已存在并被 source（建议由 Livox ROS2 驱动工作空间单独提供）。

5. 获取与编译

5.1 获取代码

git clone https://github.com/BreCaspian/MoSA.git

5.2 编译

mkdir -p ~/ros2_ws/src
cp -r MoSA ~/ros2_ws/src/mosa
cd ~/ros2_ws
colcon build --symlink-install
source install/setup.bash

6. 运行

6.1 在线运行（示例）

ros2 launch mosa mid70.launch.py

其他内置设备配置：

ros2 launch mosa mid360.launch.py
ros2 launch mosa horizon.launch.py
ros2 launch mosa avia.launch.py

6.2 RViz 可视化

默认使用 rviz/mosa.rviz。关闭 RViz：

ros2 launch mosa mid70.launch.py rviz:=false

Tip

RViz 仅影响显示，不影响算法输出与性能。

7. 输入与输出

7.1 输入

点云输入：

Livox CustomMsg（默认）：
- 话题：/livox/lidar
- 参数：dyn_obj/use_livox_custom: true
标准 PointCloud2：
- 话题：dyn_obj/points_topic
- 参数：dyn_obj/use_livox_custom: false

里程计输入：

话题：dyn_obj/odom_topic
默认：/aft_mapped_to_init

MoSA 仅依赖短时连续位姿稳定性，不要求全局闭环或高精度地图。

7.2 输出

话题	类型	说明
`/mosa/point_out`	PointCloud2	点级动态结果（最低延迟）
`/mosa/frame_out`	PointCloud2	帧级稳定动态结果
`/mosa/std_points`	PointCloud2	静态点云
`/mosa/aabb`	MarkerArray	动态目标 AABB

可选文件输出：

dyn_obj/out_file
dyn_obj/out_file_origin
dyn_obj/cluster_out_file
dyn_obj/time_file
dyn_obj/time_breakdown_file

8. 静止模式（无里程计依赖）

当 LiDAR 完全静止且坐标系稳定时，可关闭里程计：

dyn_obj/use_odom: false
dyn_obj/static_pos: [0.0, 0.0, 0.0]
dyn_obj/static_quat: [1.0, 0.0, 0.0, 0.0]

Caution

仅适用于传感器完全静止场景。传感器运动会引入明显误检。

9. 参数体系与设备差异

9.1 通用参数模板

config/base/base.yaml 包含与设备无关的核心算法参数，建议作为全局基线。

关键参数分类：

输入：use_livox_custom、points_topic、use_odom、odom_topic
时序/缓存：frame_dur、buffer_delay、points_num_perframe
动态稳定化：dyn_points_stable_en、dyn_points_accu_limit、dyn_points_voxel
追踪与输出：track_enable、track_min_hits、track_max_age、track_gate、aabb_alpha
性能：cluster_async、cluster_queue_size

9.2 设备差异参数

设备	需要重点调整的参数
MID70	`fov_*`, `points_num_perframe`, `frame_dur`, `max_pixel_points`
MID360	同 MID70，点密度更高
Horizon	横向 FOV 大，需调整 `fov_*`
通用 PC2	`use_livox_custom=false`, `points_topic`, `frame_dur`

通用 PC2 示例：config/pc2/pc2.yaml

推荐加载方式：

ros2 run mosa dynfilter --ros-args \
  --params-file config/base/base.yaml \
  --params-file config/mid70/mid70.yaml

10. 下游任务接口

10.1 坐标系

所有输出统一 frame_id = dyn_obj/frame_id
使用里程计时应为稳定全局系（如 map / camera_init）

10.2 时间戳

使用扫描结束时刻 scan_end_time
点云与 AABB 时间戳一致

10.3 AABB 语义约定

轴对齐包围盒（AABB）
中心：pose.pose.position
尺寸：存储于 pose.covariance
Marker：绿色线框立方体
id：跟踪 ID
不包含语义类别

11. 离线评估（可选）

ros2 launch mosa cal_recall.launch.py \
  dataset:=0 dataset_folder:=/path/to/dataset \
  start_se:=0 end_se:=0 start_param:=0 end_param:=0 is_origin:=false

12. 常见问题

RViz 没有动态点

检查 /mosa/point_out 是否有频率输出
若 /livox/lidar 同时存在 CustomMsg 和 PointCloud2，请确认订阅类型一致

Tip

可用 ros2 topic info --verbose /livox/lidar 确认实际发布类型。

/livox/lidar 无法 echo

话题类型冲突时请用 ros2 topic info --verbose /livox/lidar 查看真实类型

只看到静态点或动态点很少

确认输入点云频率与 dyn_obj/frame_dur 匹配
适当调大 dyn_obj/dyn_points_accu_limit 与 dyn_obj/dyn_points_voxel
检查是否启用 dyn_obj/use_odom，并确保里程计可用

AABB 不显示或数量为 0

确认 /mosa/aabb 有发布（MarkerArray）
检查 dyn_obj/track_enable 是否开启
若启用 cluster_async=true，/mosa/frame_out 不会输出属于正常现象

13. 性能优化与效果

在保持算法逻辑不变的前提下，进行了多轮等价优化，主要包括：

调整 TBB 粒度与并行合并，减少任务调度开销
动态点与聚类链路内存池化，降低频繁分配
DepthMap 采用 dirty list 重置与像素桶化批更新
Case2/Case3 判定访问局部化，减少重复访问
复用投影结果，降低 atan2f 计算占比

效果（同类场景下 VTune 采样对比）：

CPU Time 从约 166s 降至约 60s
整体提升约 64%（约 2.8×）

VTune 性能演进对比表

说明：4 次测试运行参数一致，但输入点云负载仍可能存在差异； Scheduling / Task Count / Overhead 的变化可视为真实优化效果。

序号	Elapsed (s)	CPU Time (s)	Effective (s)	Spin (s)	Overhead (s)	Scheduling (s)	线程数	Top 1 Hotspot（CPU / 占比）	Top 2 Hotspot（CPU / 占比）	Top 3 Hotspot（CPU / 占比）	tbb Task Time (s)	Task Count	Avg Task (s)	有效物理核利用率
1	299.586	166.540	159.026	1.788	5.726	5.726	31	Case2DepthConsistencyCheck 38.369 / 23.0%	Buffer2DepthMap 23.842 / 14.3%	Case3DepthConsistencyCheck 17.887 / 10.7%	132.975	93,603	0.001	5.7% (0.804/14)
2	358.072	130.160	129.076	0.749	0.335	0.335	31	Buffer2DepthMap 29.642 / 22.8%	Case2DepthConsistencyCheck 27.175 / 20.9%	Case3DepthConsistencyCheck 10.240 / 7.9%	88.658	37,077	0.002	3.9% (0.540/14)
3	340.298	60.450	59.900	0.500	0.050	0.050	31	Buffer2DepthMap 19.983 / 33.1%	SphericalProjection 4.618 / 7.6%	__atan2f 3.943 / 6.5%	18.193	18,771	0.001	1.8% (0.257/14)
4	331.952	59.830	59.170	0.590	0.070	0.070	31	Buffer2DepthMap 19.215 / 32.1%	SphericalProjection 5.370 / 9.0%	__atan2f 4.035 / 6.7%	19.046	18,304	0.001	1.9% (0.261/14)

Tip

所有与性能优化相关的完整分析数据与报告已随 Release v1.1.0 一并发布。

你可以将 Release 中的 VTune 分析结果下载到本地

在 已正确安装 Intel® VTune™ Profiler 的环境下，使用如下命令直接打开最终一次热点分析结果：

vtune-gui vtune_hotspots_mosa_04

14. 许可证

本项目采用 GPL-3.0 许可证发布，任何分发与衍生作品必须遵守 GPL-3.0 的条款。

15. 致谢

原作者：

Huajie Wu — wu2020@connect.hku.hk
Yihang Li — yhangli@connect.hku.hk

MoSA 在工程实现层面对原方法进行了优化与扩展，完整保留算法来源与作者署名。

联系人： Yuzhuo Yao — yaoyuzhuo6@gmail.com

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
config		config
img		img
include		include
launch		launch
rviz		rviz
src		src
CMakeLists.txt		CMakeLists.txt
LICENSE		LICENSE
README.md		README.md
package.xml		package.xml

License

BreCaspian/MoSA

Folders and files

Latest commit

History

Repository files navigation