《智能驾驶之激光雷达算法详解》5、基于 3D 激光点云的地面分割
<div> 本章聚焦于地面点云分割算法，旨在为读者快速勾勒出该领域的技术脉络。基于算法原理的差异性，将3D激光点云的地面分割技术细分为以下五大类。</div><p><strong>1、基于高程地图的地面点云分割</strong><br />
此类算法巧妙地将3D激光点云投影至X0Y平面，随后将平面细分为若干网格。在每个网格内，算法计算点云子集的平均高度、最大-最小高度差、最大相对高度差及高度方差等关键参数。通过将这些参数与预设阈值进行比对，算法能够区分出包含非地面点与纯粹地面点的网格。该方法计算资源需求低，不受限于激光雷达的扫描模式，且能有效应对多种地面场景。然而，其局限性在于，当网格内存在如桥梁、路牌、树木等悬空物体时，可能导致整个网格被误判为非地面区域。为此，提出了分层处理的创新方法，显著增强了地面点云分割的鲁棒性。</p>
<p><strong>2、基于相邻点几何关系的地面点云分割</strong></p>
<div> 传统机械激光雷达凭借其固定的扫描模式，能够精确计算出激光点在不同线束及方位角下的距离与角度差异。基于这些精确数据，通过比对实际测量中相邻激光点间的距离与角度变化是否逾越预设阈值，实现了地面点与非地面点的有效区分。为进一步优化计算效率，Bogoslavskyi等及Y.Li等学者创新性地提出，结合激光雷达的扫描特性，将复杂的3D激光点云数据简化为2.5D深度图形式。深度图中，行与列分别对应激光线束的俯仰角（y）与扫描方位角（θ），而像素值则直接反映了激光点的测量距离（r）。通过深度图内相邻元素间的几何特征分析，能够高效提取出地面点集与非地面点集。</div>
<div><strong>3、基于地面模型拟合的点云分割</strong></div>
<div> 点云分割策略，首先以地面为平面的基本假设出发，结合激光雷达位置与高度限制，初步剔除非地面点云。随后，利用RANSAC算法精确拟合地平面，通过激光点至地平面的距离阈值界定地面与非地面点。然而，鉴于真实地形多含起伏与弧度，单一平面假设易引入误差。为提升精度，现有研究提出区域化处理方法，即将点云分割为多个区域，在各区域内独立应用RANSAC进行地面拟合，并剔除异常点。另一策略则通过扇区细分与中心平面投影，将3D点云转化为2D点集，提取关键点后进行直线拟合，依据斜率与点到线距离分类地面与非地面点。更进一步，为精确刻画起伏地形，Douillard等人及Chen等学者引入了2D与3D高斯过程回归模型，在区域化基础上实施地面拟合，并采用INSAC算法剔除噪声，生成更精细的地面模型与点集。尽管这些方法显著提高了拟合精度，但多区域迭代拟合与回归的过程也相应增加了计算复杂度，影响了实时性能。</div>
<div><strong>4,基于机器学习模型的地面点云分割</strong></div>
<div> 凭借马尔可夫随机场及条件随机场等机器学习算法在图像分割领域的深厚积淀，研究者们巧妙地将这些模型引入至3D激光点云的地面分割挑战中。3D激光点云被精细划分为多个栅格单元，每个单元依据其梯度变化与平均高度等特征，精心构建马尔可夫随机场模型。随后，通过高效的信念传播算法（BP），环境被精准划分为多个功能区域，包括可行走区、可达区、障碍物区及未知区等，实现了对复杂环境的深刻理解与精准分割。</div>
<div><strong>5. 基于深度学习网络的地面点云分割</strong></div>
<div> 近年来，深度学习算法的蓬勃发展，尤其是卷积神经网络（CNN）的广泛应用，推动了激光感知领域的一大革新。直接利用CNN对3D激光点云实施精准语义分割，能够迅速为每一帧的激光点赋予具体类别标签，如地面、车辆、行人等，这已成为该领域的研究焦点。</div>
<div> atiphon 等研究者在日本名古屋大学，于2018年巧妙融合了相邻点几何关系与模型拟合的优势，创新性地提出了级联地面分割（CGS）算法。该算法首先通过激光点间距离的有效筛选，初步剔除大量非地面数据，随后将剩余点云精准划分为多个独立区域。在每个特定区域内，运用迭代RANSAC方法精细拟合地面模型，进而基于这些模型实现地面点与非地面点的高精度分割。</div>
<div style="text-align: center;"></div>
<div> 障碍物与地面坡度对点云数据的显著影响，Patiphon团队针对固定旋转扫描模式的激光雷达系统（如机械式激光雷达），深入剖析了其生成的激光点云特性。他们强调，点云中相邻地波间距离的变异不仅受限于激光雷达的固有参数、扫描距离及安装高度，更与地面的坡度变化紧密相连。具体而言，地面坡度平缓时，相邻激光线束间的点云间距会相应拓宽，；反之，随着地面坡度陡增，这些间距则显著缩短。尤为值得注意的是，当激光雷达遭遇垂直障碍物时，同一方位角下相邻线束间的激光点间距会进一步压缩。</div>
<div> 基于马尔可夫随机场的地面点云精准分割，马尔可夫随机场（Markov Random Field, MRF），作为早期视觉处理的利器，已成功涉足边缘检测、立体匹配、图像细分及复原等多个领域，硕果累累。日本丰田工业大学的Guo与Sato等学者，巧妙地将MRF在图像分割中的精髓应用于3D激光点云数据的处理中，创新性地提出了G2DRR（Graph-based 2D Road Representation）算法，专注于路面识别，并依托Velodyne HDL-64e激光雷达进行了实证检验。马尔可夫随机场的精心构建与信念的高效传播，G2DRR算法首先施展其独特魅力，将繁复的3D激光点云轻盈地投射至水平面，随后将这些点云精心划分为细密的网格体系。在此基础上，算法作出一个关键性假设：每个网格的归属类别，深受其邻近网格的影响，而与远方网格则保持相对独立。这一精妙设定，使得整张网格地图自然而然地蜕变为一座马尔可夫随机场，并通过无向图G=(V,E)这一数学语言得以优雅表达。</div>
<div> 在过去的三十年间，基于高程地图的地面点云分割网格地图技术已成为机器人导航、路径规划、障碍物检测与跟踪等多个领域的核心工具。Elfes的占用栅格地图与Bares的高程地图作为该技术中的佼佼者，展现了广泛的应用潜力。占用栅格地图巧妙地将复杂的3D环境简化为规则的2D网格系统，不仅明确了占用、空闲、未知三种环境状态，还通过概率值精准刻画了各网格被物体占据的可能性，为机器人提供了清晰的环境认知框架。而高程地图，作为一种创新的2.5D网格表示法，在保留二维网格简洁性的同时，融入了高度信息的丰富层次，包括平均高度、最大/最小高度及高度方差等关键参数。这一特性使得高程地图在保持较低计算与存储负担的同时，能够精准实现3D激光点云中的地面模型构建与地面点精准分割。</div>
页:
[1]