【点云学习系列】之Gaussian-process-based Real-time Ground Segmentation for Autonomous Land Vehicles

简介

　　点云地面点分割目前主要有如下几种方式：空域与频域。空间域方法为主流【后面的索引数字为末尾的链接论文顺序】：网格化方法(2,3)、线方法(4,5,6)、曲面方法(7,8,9,10,11)。频域分割方法主要是Douillard.B在2012提出通过FFT变化频域来进行水下地形分割FFT-based Terrain Segmentation for Underwater Mapping。该篇代码已经放在文末的链接。本篇博客的高斯过程地面分割算法继承自线方法的策略，大概流程主要是首先将点云划分扇区，以此来将点云从无序变成有序，随后进行线拟合与地面种子点估计，然后进行高斯过程的回归估计协方差，以此来判断是否存在新的种子点，最后进行点云分割。关于多维多元高斯过程原理，推荐参考传送门，讲解较为细致与具体。

算法原理

　　高斯过程地面分割算法主要包含6个步骤：①polar grid map representation；②line fitting；③seed estimation；④gaussian process regression with non-stationary covariance function；⑤new seed evaluation；⑥point-wise segmentation；该算法输入原始点云，输出对每个原始点云打上标签label进行分辨地面点or障碍物。下面我们将分别介绍一下高斯过程地面分割的上述主要6个步骤：(下图为Ground Segmentation的算法流程)

• Polar Grid Map Representation

　　这个polar grid map步骤主要讲点云划分成M个扇区，每个扇区划分成N个区间(bins)。该步骤与前论文【点云学习系列】之Fast segmentation of 3d point clouds for ground vehicles的预处理点云借鉴而来。这样就将无序的点云进行有序化存储。具体点云存储规则见上篇博客解释。

• Line Fitting

　　该Line Fitting过程就是上面算法流程图的函数fitline代码该过程。关于线的提取主要借鉴论文A comparison of line extraction algorithms using 2d laser rangefinder for indoor mobile robotics(IROS)的方法。同时，该篇论文采用Incremental Algorithm，由于所有的点都被塞入了不同的扇区$P{G}_i$里面，在塞入不同的$P{G}_i$的时候根据它们到LIDAR传感器的距离已经进行了排序。每个点塞入$P{G}_i$被分配一个length-scale的计算公式如下：

$$l_i=\{\begin{array}{l}a\ast lg(|g(\end{array}$$