《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(lǐng)域的技術(shù)脈絡(luò)。基于算法原理的差異性，將3D激光點云的地面分割技術(shù)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(wǎng)格。在每個網(wǎng)格內(nèi)，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(guān)鍵參數(shù)。通過將這些參數(shù)與預(yù)設(shè)閾值進行比對，算法能夠區(qū)分出包含非地面點與純粹地面點的網(wǎng)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(yīng)對多種地面場景。然而，其局限性在于，當網(wǎng)格內(nèi)存在如橋梁、路牌、樹木等懸空物體時，可能導(dǎo)致整個網(wǎng)格被誤判為非地面區(qū)域。為此，提出了分層處理的創(chuàng)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(guān)系的地面點云分割         傳統(tǒng)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(shù)據(jù)，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(yù)設(shè)閾值，實現(xiàn)了地面點與非地面點的有效區(qū)分。為進一步優(yōu)化計算效率，Bogoslavskyi等及Y.Li等學(xué)者創(chuàng)新性地提出，結(jié)合激光雷達的掃描特性，將復(fù)雜的3D激光點云數(shù)據(jù)簡化為2.5D深度圖形式。深度圖中，行與列分別對應(yīng)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(nèi)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(shè)出發(fā)，結(jié)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(shè)易引入誤差。為提升精度，現(xiàn)有研究提出區(qū)域化處理方法，即將點云分割為多個區(qū)域，在各區(qū)域內(nèi)獨立應(yīng)用RANSAC進行地面擬合，并剔除異常點。另一策略則通過扇區(qū)細分與中心平面投影，將3D點云轉(zhuǎn)化為2D點集，提取關(guān)鍵點后進行直線擬合，依據(jù)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(xué)者引入了2D與3D高斯過程回歸模型，在區(qū)域化基礎(chǔ)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(qū)域迭代擬合與回歸的過程也相應(yīng)增加了計算復(fù)雜度，影響了實時性能。 4,基于機器學(xué)習(xí)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(xué)習(xí)算法在圖像分割領(lǐng)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(zhàn)中。3D激光點云被精細劃分為多個柵格單元，每個單元依據(jù)其梯度變化與平均高度等特征，精心構(gòu)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(huán)境被精準劃分為多個功能區(qū)域，包括可行走區(qū)、可達區(qū)、障礙物區(qū)及未知區(qū)等，實現(xiàn)了對復(fù)雜環(huán)境的深刻理解與精準分割。 5. 基于深度學(xué)習(xí)網(wǎng)絡(luò)的地面點云分割         近年來，深度學(xué)習(xí)算法的蓬勃發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN）的廣泛應(yīng)用，推動了激光感知領(lǐng)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(lǐng)域的研究焦點。         atiphon 等研究者在日本名古屋大學(xué)，于2018年巧妙融合了相鄰點幾何關(guān)系與模型擬合的優(yōu)勢，創(chuàng)新性地提出了級聯(lián)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(shù)據(jù)，隨后將剩余點云精準劃分為多個獨立區(qū)域。在每個特定區(qū)域內(nèi)，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(xiàn)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(shù)據(jù)的顯著影響，Patiphon團隊針對固定旋轉(zhuǎn)掃描模式的激光雷達系統(tǒng)（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(diào)，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(shù)、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(yīng)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(fù)原等多個領(lǐng)域，碩果累累。日本豐田工業(yè)大學(xué)的Guo與Sato等學(xué)者，巧妙地將MRF在圖像分割中的精髓應(yīng)用于3D激光點云數(shù)據(jù)的處理中，創(chuàng)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(gòu)建與信念的高效傳播，G2DRR算法首先施展其獨特魅力，將繁復(fù)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(wǎng)格體系。在此基礎(chǔ)上，算法作出一個關(guān)鍵性假設(shè)：每個網(wǎng)格的歸屬類別，深受其鄰近網(wǎng)格的影響，而與遠方網(wǎng)格則保持相對獨立。這一精妙設(shè)定，使得整張網(wǎng)格地圖自然而然地蛻變?yōu)橐蛔�馬爾可夫隨機場，并通過無向圖G=(V,E)這一數(shù)學(xué)語言得以優(yōu)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(wǎng)格地圖技術(shù)已成為機器人導(dǎo)航、路徑規(guī)劃、障礙物檢測與跟蹤等多個領(lǐng)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(shù)中的佼佼者，展現(xiàn)了廣泛的應(yīng)用潛力。占用柵格地圖巧妙地將復(fù)雜的3D環(huán)境簡化為規(guī)則的2D網(wǎng)格系統(tǒng)，不僅明確了占用、空閑、未知三種環(huán)境狀態(tài)，還通過概率值精準刻畫了各網(wǎng)格被物體占據(jù)的可能性，為機器人提供了清晰的環(huán)境認知框架。而高程地圖，作為一種創(chuàng)新的2.5D網(wǎng)格表示法，在保留二維網(wǎng)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(guān)鍵參數(shù)。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(xiàn)3D激光點云中的地面模型構(gòu)建與地面點精準分割。 另外最近部門招聘，要求如下： 內(nèi)外飾數(shù)字模型工程師       1、負責內(nèi)飾全倉數(shù)字模型設(shè)計工作 2、對內(nèi)飾零部件有充分了解、IP、門板、console等零部件 3、負責內(nèi)飾IP、門板、座椅、console、頂棚、立柱等零部件的設(shè)計工作 4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達設(shè)計意圖。       要求 1、大專及以上學(xué)歷，藝術(shù)設(shè)計、工業(yè)設(shè)計相關(guān)專業(yè) 2、熟練使用ALIAS軟件 3、 測試A級至少5-8年實際CAS、A面設(shè)計工作經(jīng)驗 測試B級至少3-5年CAS、A面設(shè)計工作經(jīng)驗 4、善于團隊合作、有責任心、敢于擔當、工作主動積極