《智能駕駛之激光雷達算法詳解》基于 3D 激光點云的聚類分割

jinchanchanwaji

本章深入探索3D激光點云的聚類算法，作為機器學習中的核心任務之一，聚類旨在依據特定規則將數據劃分為不同集合，促使相似數據聚合，非相似數據分離。在機器人與無人車領域，3D激光點云的聚類分割技術尤為關鍵，特別是在深度學習驅動的目標檢測與點云分析新方法日益普及的背景下，其精確度直接關乎后續目標檢測、跟蹤等模塊的性能。聚類分割不僅獨立承擔重要角色，還與3D目標檢測模塊相輔相成，顯著降低目標遺漏的風險。聚類作為無監督學習算法的優勢——無需預設類別，僅憑數據間的相似性進行劃分，輔助系統判斷環境狀態，如障礙物識別與路徑規劃。鑒于多線束激光雷達生成的海量點云數據（每幀可達數萬至數十萬點），傳統聚類算法（如DBSCAN、Mean Shift）直接處理時面臨計算量大、難以滿足實時性需求的挑戰。因此，研究者們普遍采用降維或體素化等技術手段，以優化點云表示與存儲方式，減少算法的計算負擔與空間占用。本章基于現有技術分析，將相關算法歸納為三大類別：
        1、 基于網格/體素的點云聚類分割：在第五章中，我們已探討過將3D激光點云投影至2D網格以實現地面與非地面點云的分離。此類方法因技術開銷小、實時性強，在機器人與無人車領域早期研究中廣受歡迎。例如，DARPA城市挑戰賽中的多數團隊便采用了網格地圖技術。Douillard等通過均值高程地圖分離非地面點云后，進一步利用體素網格表示并聚類，而Himmelsbach等則結合2D柵格地圖與3D體素網格的高度差信息實現聚類，均展示了良好的應用效果。
        2、基于圍模型的點云聚類：在圖論框架下實現數據聚類劃分，已成為聚類分析領域的璀璨明珠，諸多經典算法如譜聚類與受限拉普拉斯秩聚類等，均彰顯了其深遠影響。在此背景下，探索者們正積極將此類算法應用于3D激光點云的聚類分割難題中，力求突破。Klasing團隊便是其中的佼佼者，他們巧妙地借助有向圖與RBNN（Radially Bounded Nearest Neighbors）圖的概念，創新性地提出了針對3D激光點云的聚類算法。該算法將點云數據映射為圖G(U,E)，其中U代表節點（即激光點），E則連接著滿足特定距離閾值r的點對，形成邊集。通過精細調控點間距離d與閾值r的關系，實現了點云中聚類結構的精準劃分。而Moosmann等學者，則另辟蹊徑，針對機械旋轉激光雷達的掃描特性，采用無向圖模型來描繪3D激光點云。在他們的無向圖G(U,E)中，每個激光點均巧妙地與四個特定方向的鄰域節點相連，這些節點分別來自同一線束的左右兩側，以及不同線束但偏航角相同的前后位置。這一設計不僅深刻捕捉了點云數據的空間結構特征，還為后續的聚類分析奠定了堅實基礎。
        3、基于深度圖的點云聚類：第5章詳盡闡述了深度圖的精髓及其構建機制。深度圖以其獨特的方式，將繁復的3D激光點云凝練為直觀的圖像形式，其構建與索引過程既簡便又高效，尤為可貴的是，它能精準保留激光點的距離精髓。正因此，基于深度圖的點云聚類分割技術，在該領域內占據了舉足輕重的地位。以德國波恩大學的Bogoslavskyi與Stachniss為例，他們巧妙地將3D激光點云轉化為深度圖后，借助高效的BFS算法，進一步推動了該領域的研究進展。
基于激光點間角度關系的聚類
        德國波恩大學的Bogoslavskyi與Stachniss在2016年創新性地提出一種高效算法，該算法巧妙地將3D激光點云轉化為深度圖，并引入角度閾值作為約束條件，結合BFS算法在深度圖領域內進行搜索，實現了點云的精準聚類分割。此算法設計精妙，無需構建復雜的三維點云樹或索引，確保了高實時性處理能力。在I5 5200U 2.2GHz CPU平臺上，針對32線激光點云數據，該算法展現出卓越性能，平均運行頻率高達74至250Hz。作為深度圖應用于點云聚類領域的先驅探索，該算法為后續研究奠定了堅實基礎，并產生了深遠影響。其開源代碼現已發布于GitHub，供全球開發者學習與應用。Bogoslavskyi算法的核心策略精妙地融合了地面點云的精準分割與非地面點云的高效聚類。
基于掃描線分割的 SLR聚類算法
        2017年，美國明尼蘇達大學的Zermas與德爾福汽車公司的Izzat等人在ICRA會議上推出了創新的3D激光點云聚類算法——SLR（Scan Line Run）。該算法巧妙融合了機械旋轉式激光雷達的掃描特性，專注于每條掃描線的點云數據，借鑒圖像處理中的連通區域標記技術，在深度圖層面逐行實施點云聚類的精細分割與智能合并。SLR算法的核心原理在于，它視深度圖的每一行為激光雷達的一條獨立掃描線，而每一列則映射了掃描的不同角度。Zermas等人創新性地定義了“run”概念，即將掃描線中連續且鄰近的激光點視為同一集合，并賦予它們共同的類別標識。通過這一方法，算法能夠沿掃描線將點云分割成多個run，并依據設定的距離閾值，跨掃描線進行run的合并，最終實現對整個激光點云的高效聚類。SLR算法作為逐線束點云聚類分割的典范，其精髓在于先通過相鄰位置關系精準劃分各激光線束內的聚類子集，隨后借助距離條件巧妙融合不同線束間的聚類子集。然而，面對高線束激光雷達的廣泛應用場景，SLR算法因需詳盡計算三維空間內激光點間距離，導致計算耗時較長，實時性能受限。
深度圖與DBSCAN融合下的3D點云高效聚類
        韓國東國大學的M. Wen等學者在2018年創新性地提出了將深度圖與DBSCAN算法相結合的方法，巧妙地將3D激光點云數據轉化為2D表示形式，并借助DBSCAN算法在轉換后的深度圖中實施基于密度連通的聚類分析。這一策略經實驗驗證，相較于直接在3D空間應用DBSCAN，其計算效率實現了驚人的飛躍，速度提升高達572.4倍；即便是與基于k-d樹的DBSCAN算法相比，平均計算速度也實現了約16.89倍的提升。DBSCAN（Density-Based Spatial Clustering of Applications with Noise），這一由德國慕尼黑工業大學Ester等人于1996年開創的算法，是密度聚類領域的璀璨明珠。它無需預設聚類數量，通過遍歷數據集，自動識別并劃分出高密度區域作為獨立聚類，能夠靈活捕捉任意形狀的聚類結構，包括圖6-11所示的復雜形態，展現了其卓越的數據處理能力。

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

有意者戳汽車造型/產品設計師社會招聘-表單-金數據 (jsj.top)