《智能驾驶之激光雷达算法详解》基于3D激光点云的地面分割
<div class='showpostmsg'><p>本章是激光雷达感知算法部分，3D激光点云的地面分割算法大致划分为以下5种</p><p>1、基于高程地图的地面点云分割</p>
<p>这类算法通常将3D激光点云投影至XOY平面内，而后将该平面划分为多个网格，并在每个网格中计算点云子集的平均高度、最大-最小高度、最大相对高度差、高度方差等指标。最后在对上述指标与设定阈值进行比较，分析哪些网格中包含非地面点，哪些网格中为地面点云。这类算法对算力需求较小，不依赖激光雷达的扫描模式，并且可以处理一定坡度的地面场景，但当一些网格中包含悬空物体时，会将整个网格识别为非地面。</p>
<p>2、基于相邻几何关系的地面点云分割</p>
<p>传统机械激光雷达凭借其固定的扫描模式，根据实际测量点云中相邻激光点之间的距离、角度差是否超出设定阈值，可以进行地面点和非地面点的识别。为进一步节省计算开销，可结合激光雷达的扫描参数，将3D激光点云转换为2.5D的深度图，通过在深度图中分析相邻元素间的几何关系，得到对应的地面点集和非地面点集。</p>
<p>3、基于地面模型拟合的地面点云分割</p>
<p>由于地平面往往不是一个水平面，所以将点云划分为多个区域，在每个区域中使用RANSAC算法进行地面拟合并去除离群点。将点云空间细分为多个扇区后，尝试将各扇区内的3D激光点云投影到其中心平面上，得到2D点集，进而在2D点集中提取最低点、均值等关键点并进行2D直线拟合，然后结合直线的斜率以及点到直线的距离进行地面点集和非地面点集的划分。为了更有效地处理起伏地形，将点云划分为多个区域后，分别采用2D和1D高斯过程回归模型对地面进行拟合，并采用增量采样一致性算法去除离群点，最终得到地面的近似模型和地面点集。</p>
<p>4、基于机器学习模型的地面点云分割</p>
<p>将3D激光点云划分为多个栅格区域，并分别利用栅格的梯度和均值高度等信息构建马尔科夫随机场，然后利用信念传播算法将周围环境分为多个类别。Zhang提出GS-LBF算法，该算法通过将一种基于损失函数的地面估计模型引入多标签马尔科夫随机场，并使用循环信念传播算法以求解每个栅格中地面的最大置信度，实现了对3D激光点云的地面分割。</p>
<p>5、基于深度学习网络的地面点云分割</p>
<p>基于CNN直接对3D激光点云进行语义分割，获取每帧所有激光点的类别标签。</p>
</div><script> var loginstr = '<div class="locked">查看本帖全部内容，请<a href="javascript:;" style="color:#e60000" class="loginf">登录</a>或者<a href="https://bbs.eeworld.com.cn/member.php?mod=register_eeworld.php&action=wechat" style="color:#e60000" target="_blank">注册</a></div>';
if(parseInt(discuz_uid)==0){
(function($){
var postHeight = getTextHeight(400);
$(".showpostmsg").html($(".showpostmsg").html());
$(".showpostmsg").after(loginstr);
$(".showpostmsg").css({height:postHeight,overflow:"hidden"});
})(jQuery);
} </script><script type="text/javascript">(function(d,c){var a=d.createElement("script"),m=d.getElementsByTagName("script"),eewurl="//counter.eeworld.com.cn/pv/count/";a.src=eewurl+c;m.parentNode.insertBefore(a,m)})(document,523)</script> <p>激光雷达感知算法是个热点，有空要看看，谢谢分享</p>
页:
[1]