《智能駕駛之激光雷達算法詳解》基于 3D 激光點云的地面分割

jinchanchanwaji

本章聚焦于地面點云分割算法，旨在為讀者快速勾勒出該領域的技術脈絡。基于算法原理的差異性，將3D激光點云的地面分割技術細分為以下五大類。 1、基于高程地圖的地面點云分割         此類算法巧妙地將3D激光點云投影至X0Y平面，隨后將平面細分為若干網格。在每個網格內，算法計算點云子集的平均高度、最大-最小高度差、最大相對高度差及高度方差等關鍵參數。通過將這些參數與預設閾值進行比對，算法能夠區分出包含非地面點與純粹地面點的網格。該方法計算資源需求低，不受限于激光雷達的掃描模式，且能有效應對多種地面場景。然而，其局限性在于，當網格內存在如橋梁、路牌、樹木等懸空物體時，可能導致整個網格被誤判為非地面區域。為此，提出了分層處理的創新方法，顯著增強了地面點云分割的魯棒性。 2、基于相鄰點幾何關系的地面點云分割         傳統機械激光雷達憑借其固定的掃描模式，能夠精確計算出激光點在不同線束及方位角下的距離與角度差異。基于這些精確數據，通過比對實際測量中相鄰激光點間的距離與角度變化是否逾越預設閾值，實現了地面點與非地面點的有效區分。為進一步優化計算效率，Bogoslavskyi等及Y.Li等學者創新性地提出，結合激光雷達的掃描特性，將復雜的3D激光點云數據簡化為2.5D深度圖形式。深度圖中，行與列分別對應激光線束的俯仰角（y）與掃描方位角（θ），而像素值則直接反映了激光點的測量距離（r）。通過深度圖內相鄰元素間的幾何特征分析，能夠高效提取出地面點集與非地面點集。 3、基于地面模型擬合的點云分割         點云分割策略，首先以地面為平面的基本假設出發，結合激光雷達位置與高度限制，初步剔除非地面點云。隨后，利用RANSAC算法精確擬合地平面，通過激光點至地平面的距離閾值界定地面與非地面點。然而，鑒于真實地形多含起伏與弧度，單一平面假設易引入誤差。為提升精度，現有研究提出區域化處理方法，即將點云分割為多個區域，在各區域內獨立應用RANSAC進行地面擬合，并剔除異常點。另一策略則通過扇區細分與中心平面投影，將3D點云轉化為2D點集，提取關鍵點后進行直線擬合，依據斜率與點到線距離分類地面與非地面點。更進一步，為精確刻畫起伏地形，Douillard等人及Chen等學者引入了2D與3D高斯過程回歸模型，在區域化基礎上實施地面擬合，并采用INSAC算法剔除噪聲，生成更精細的地面模型與點集。盡管這些方法顯著提高了擬合精度，但多區域迭代擬合與回歸的過程也相應增加了計算復雜度，影響了實時性能。 4,基于機器學習模型的地面點云分割         憑借馬爾可夫隨機場及條件隨機場等機器學習算法在圖像分割領域的深厚積淀，研究者們巧妙地將這些模型引入至3D激光點云的地面分割挑戰中。3D激光點云被精細劃分為多個柵格單元，每個單元依據其梯度變化與平均高度等特征，精心構建馬爾可夫隨機場模型。隨后，通過高效的信念傳播算法（BP），環境被精準劃分為多個功能區域，包括可行走區、可達區、障礙物區及未知區等，實現了對復雜環境的深刻理解與精準分割。 5. 基于深度學習網絡的地面點云分割         近年來，深度學習算法的蓬勃發展，尤其是卷積神經網絡（CNN）的廣泛應用，推動了激光感知領域的一大革新。直接利用CNN對3D激光點云實施精準語義分割，能夠迅速為每一幀的激光點賦予具體類別標簽，如地面、車輛、行人等，這已成為該領域的研究焦點。         atiphon 等研究者在日本名古屋大學，于2018年巧妙融合了相鄰點幾何關系與模型擬合的優勢，創新性地提出了級聯地面分割（CGS）算法。該算法首先通過激光點間距離的有效篩選，初步剔除大量非地面數據，隨后將剩余點云精準劃分為多個獨立區域。在每個特定區域內，運用迭代RANSAC方法精細擬合地面模型，進而基于這些模型實現地面點與非地面點的高精度分割。         障礙物與地面坡度對點云數據的顯著影響，Patiphon團隊針對固定旋轉掃描模式的激光雷達系統（如機械式激光雷達），深入剖析了其生成的激光點云特性。他們強調，點云中相鄰地波間距離的變異不僅受限于激光雷達的固有參數、掃描距離及安裝高度，更與地面的坡度變化緊密相連。具體而言，地面坡度平緩時，相鄰激光線束間的點云間距會相應拓寬，；反之，隨著地面坡度陡增，這些間距則顯著縮短。尤為值得注意的是，當激光雷達遭遇垂直障礙物時，同一方位角下相鄰線束間的激光點間距會進一步壓縮。         基于馬爾可夫隨機場的地面點云精準分割，馬爾可夫隨機場（Markov Random Field, MRF），作為早期視覺處理的利器，已成功涉足邊緣檢測、立體匹配、圖像細分及復原等多個領域，碩果累累。日本豐田工業大學的Guo與Sato等學者，巧妙地將MRF在圖像分割中的精髓應用于3D激光點云數據的處理中，創新性地提出了G2DRR（Graph-based 2D Road         Representation）算法，專注于路面識別，并依托Velodyne HDL-64e激光雷達進行了實證檢驗。馬爾可夫隨機場的精心構建與信念的高效傳播，G2DRR算法首先施展其獨特魅力，將繁復的3D激光點云輕盈地投射至水平面，隨后將這些點云精心劃分為細密的網格體系。在此基礎上，算法作出一個關鍵性假設：每個網格的歸屬類別，深受其鄰近網格的影響，而與遠方網格則保持相對獨立。這一精妙設定，使得整張網格地圖自然而然地蛻變為一座馬爾可夫隨機場，并通過無向圖G=(V,E)這一數學語言得以優雅表達。         在過去的三十年間，基于高程地圖的地面點云分割網格地圖技術已成為機器人導航、路徑規劃、障礙物檢測與跟蹤等多個領域的核心工具。Elfes的占用柵格地圖與Bares的高程地圖作為該技術中的佼佼者，展現了廣泛的應用潛力。占用柵格地圖巧妙地將復雜的3D環境簡化為規則的2D網格系統，不僅明確了占用、空閑、未知三種環境狀態，還通過概率值精準刻畫了各網格被物體占據的可能性，為機器人提供了清晰的環境認知框架。而高程地圖，作為一種創新的2.5D網格表示法，在保留二維網格簡潔性的同時，融入了高度信息的豐富層次，包括平均高度、最大/最小高度及高度方差等關鍵參數。這一特性使得高程地圖在保持較低計算與存儲負擔的同時，能夠精準實現3D激光點云中的地面模型構建與地面點精準分割。 另外最近部門招聘，要求如下： 內外飾數字模型工程師       1、負責內飾全倉數字模型設計工作 2、對內飾零部件有充分了解、IP、門板、console等零部件 3、負責內飾IP、門板、座椅、console、頂棚、立柱等零部件的設計工作 4、掌握內飾零部件之間的配合關系，并完整表達設計意圖。       要求 1、大專及以上學歷，藝術設計、工業設計相關專業 2、熟練使用ALIAS軟件 3、 測試A級至少5-8年實際CAS、A面設計工作經驗 測試B級至少3-5年CAS、A面設計工作經驗 4、善于團隊合作、有責任心、敢于擔當、工作主動積極