三维激光点云数据 一 地面点云处理

Ray Ground Filter

过滤地面点云是激光雷达感知中一步基础的预处理操作，环境感知通常只对路面上的障碍物感兴趣，地面点云易对障碍物聚类产生影响，所以在做障碍物聚类之前通常将地面点云和非地面点云进行分离。
参考链接: link.

感知范围与点云过滤

1. 过高的区域，较近的区域，太远的区域，感知过程不敢兴起的区域都可以进行裁剪。

角度微分和地面/非地面判断

Ray Ground Filter算法的核心是以射线（Ray）的形式来组织点云。我们现在将点云的 (x, y, z)三维空间降到（x,y）平面来看，计算每一个点到车辆x正方向的平面夹角 θ \thetaθ, 我们对360度进行微分，分成若干等份，每一份的角度为0.18度，这个微分的等份近似的可以看作一条射线，如下图所示,图中是一个激光雷达的纵截面的示意图，雷达由下至上分布多个激光器，发出如图所示的放射状激光束，这些激光束在平地上即表现为，图中的水平线即为一条射线：
注：0.18度是VLP32C雷达的水平光束发散间隔。

不足

此算法存在几点不足：第一，存在少量噪点，不能彻底过滤出地面;第二，非地面的点容易被错误分类，造成非地面点缺失;第三，对于目标接近激光雷达盲区的情况，会出现误分割，即将非地面点云分割为地面。

Ground Plane Filter

出自论文：Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle applications，在可靠性、分割精度方面均优于基于射线的地面分割方法。我们将其称之为地面平面拟合方法。

参考链接: link

采用平面模型（Plane Model）来拟合当前的地面，通常来说，由于现实的地面并不是一个“完美的”平面，而且当距离较大时激光雷达会存在一定的测量噪声，单一的平面模型并不足以描述我们现实的地面。要很好的完成地面分割，就必须要处理存在一定坡度变化的地面的情况（不能将这种坡度的变化视为非地面，不能因为坡度的存在而引入噪声），一种简单的处理方法就是沿着x方向（车头的方向）将空间分割成若干个子平面，然后对每个子平面使用地面平面拟合算法（GPF）从而得到能够处理陡坡的地面分割方法。

Ransac Ground Filter

ransac是 random sample consensus的缩写，翻译过来是随机抽样一致的意思。它表示可以从一组包含“局外点”的数据集中，通过迭代的方式估计某个数学模型的参数。这是一种包含概率统计思想的“不确定算法”，它的每次迭代并不能保证获得一个正确合理的结果，这是带有概率性的，要想提高获得这种合理结果的概率，就需要增加迭代次数。
参考链接: link

ransac的基本假设

1. 整个数据集中同时包含好的点和不好的点，我们将它们分别称为局内点和局外点；
2. 数据的分布可以通过某个数学模型来描述，而局内点就是可以适应该模型的点，局外点是不可以适应该模型的点；
3. 随意给定一组点（可能是局内点也有可能是局外点），我们假设这组点都是局内点，它们满足某个数学模型，我们利用这个数学模型去估算其他的点，如果有足够多的点通过计算能被归类为假设的局内点，那么这个模型就足够合理。

注：主要参考点云处理的大神的博客，在此表示感谢，本文供学习使用，如有错误欢迎指正。