【pcl入门教程滤波系列】之GroundSegmentation滤波(三)

最新推荐文章于 2024-08-09 07:46:32 发布

AutoXTruck

最新推荐文章于 2024-08-09 07:46:32 发布

阅读量791

点赞数

分类专栏：自动驾驶技术专栏文章标签：点云QR矩阵分解点云地面提取

本文链接：https://blog.csdn.net/small_munich/article/details/108086910

版权

本文介绍了在自动驾驶泊车场景中，如何利用先验信息和三维曲面拟合去除地面点云。通过对点云进行拟合计算，获取曲面系数，然后判断点云距离曲面的距离来筛选地面点。这种方法适用于泊车场地的大坡度场景，能有效且快速地去除地面点云。

摘要由CSDN通过智能技术生成

简介

　　前两篇对点云从算法层面上进行一定程度解析，通过使用pcl回归拟合地面算法：pcl学习系列之GroundSegmentation滤波(一)线段拟合分割算法：pcl学习系列之GroundSegmentation滤波(二)但是并不是一个算法能够解决所有的点云去除地面的场景。本篇博文将从工程层面来讲述一种点云去除地面的方式，能够应用于特定的场景进行解析达到比较好的效果。我们都知道自动驾驶泊车场景固定，泊车场地内比较平缓但是泊车进出口地面坡度较大，当下存在的地面分割算法还不能够适应进出车库大坡度场景。针对在泊车场地部署的激光雷达的地面点提取，我们能够获取该场景的先验信息进行辅助地面点的提取与分割。这里的先验信息就是我们能够获取该块场地的三维地面曲面拟合信息，通过每个点云与该三维曲面拟合的距离来判断是否为地面点。其实针对车端过滤后的点云量不大情况下，也可以使用三维曲面拟合的方式来进行地面点提取。三维曲面拟合会获取更为精确的地面空间曲面信息。