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
- 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
- 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;
- 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;
- 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。