車載激光雷達(dá)的應(yīng)用算法

杜海林，張杭鋮，王齊超

（長(zhǎng)安大學(xué) 汽車學(xué)院，陜西 西安 710064）

在國(guó)家交通強(qiáng)國(guó)戰(zhàn)略和新基建政策推動(dòng)下，智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)已進(jìn)入加速發(fā)展的新階段。在未來(lái)萬(wàn)物互聯(lián)的體系中，只有實(shí)現(xiàn)“車-路-云”三方數(shù)據(jù)互聯(lián)互通，形成車路感知數(shù)據(jù)融合與決策控制才有可能實(shí)現(xiàn)最高級(jí)別的全場(chǎng)景自動(dòng)駕駛。而激光雷達(dá)作為目前技術(shù)成熟度和檢測(cè)效果較為均衡的傳感器之一，是智能網(wǎng)聯(lián)汽車實(shí)現(xiàn)車路協(xié)同感知不可或缺的傳感器。

激光雷達(dá)系統(tǒng)是以收發(fā)激光束偵察目標(biāo)物體的位移、速率等特征量的雷達(dá)系統(tǒng)[1]。

目前，車載激光雷達(dá)上的應(yīng)用算法主要包括目標(biāo)跟蹤和識(shí)別、即時(shí)定位與地圖構(gòu)建（Simultaneous Localization And Mapping, SLAM）和點(diǎn)云分割[2]。

1 目標(biāo)跟蹤與識(shí)別算法

激光雷達(dá)的目標(biāo)跟蹤是點(diǎn)云數(shù)據(jù)處理的最關(guān)鍵的一部分。目標(biāo)跟蹤的主要目的是獲取障礙物的距離、速度以及運(yùn)動(dòng)軌跡等信息。通過(guò)目標(biāo)跟蹤算法對(duì)障礙物運(yùn)動(dòng)狀態(tài)做出估計(jì)和預(yù)測(cè)，我們便可以實(shí)時(shí)地評(píng)估障礙物和無(wú)人駕駛車輛的安全等級(jí)，作出相應(yīng)的決策。因此，目標(biāo)跟蹤算法的優(yōu)劣直接影響到無(wú)人駕駛車輛的安全等級(jí)。

目標(biāo)跟蹤算法需要處理的信息有很多，除了對(duì)目標(biāo)位置，速度的估計(jì)之外，有時(shí)候目標(biāo)的運(yùn)動(dòng)狀態(tài)也需要考慮。所以為了評(píng)估激光雷達(dá)目標(biāo)跟蹤算法的性能，算法的速度、準(zhǔn)確度以及跟蹤穩(wěn)定性是重要的指標(biāo)。

目標(biāo)跟蹤可以分為以下幾種任務(wù)：?jiǎn)文繕?biāo)追蹤、多目標(biāo)追蹤、姿態(tài)追蹤、在線追蹤、離線追蹤。雖然目標(biāo)跟蹤的前景非常廣闊，但是也存在一些問(wèn)題限制了其發(fā)展。形態(tài)變化，追蹤過(guò)程中目標(biāo)的姿態(tài)發(fā)生變化時(shí)，會(huì)導(dǎo)致其特征以及外觀模型變化，容易使得目標(biāo)追蹤失敗[3]。尺度變化，當(dāng)目標(biāo)尺度縮小時(shí)，容易包含多的背景色；而當(dāng)目標(biāo)尺度增大時(shí)，又容易導(dǎo)致跟蹤框不能包括整個(gè)物體。激光雷達(dá)點(diǎn)云隨距離增加變得稀疏，環(huán)境感知算法對(duì)障礙物檢測(cè)性能降低，遠(yuǎn)處目標(biāo)不能有效檢測(cè)[4]。遮擋與消失，在跟蹤目標(biāo)時(shí)，如果遇到障礙物或者目標(biāo)突然消失，容易造成跟蹤失敗。圖像模糊，目標(biāo)的快速移動(dòng)，外界環(huán)境如：光照、雨霧等因素會(huì)造成分辨率降低，從而使得跟蹤失敗。

隨著無(wú)人駕駛技術(shù)的日益發(fā)展，目標(biāo)跟蹤算法理論也日益成熟，在目標(biāo)跟蹤算法中主要的有加權(quán)最小二乘濾波法、CSK濾波跟蹤法、DCS濾波法以及卡爾曼濾波法。其中使用最為廣泛的就是卡爾曼濾波法。然而在車輛行駛過(guò)程中由于激光雷達(dá)的特性，在每一幀中屬于同一個(gè)障礙物的點(diǎn)云數(shù)量會(huì)產(chǎn)生差異，這就導(dǎo)致了聚類出的同一障礙物的大小發(fā)生變化，使得卡爾曼濾波對(duì)目標(biāo)進(jìn)行跟蹤預(yù)測(cè)時(shí)會(huì)產(chǎn)生較大的誤差。而且誤差可能會(huì)隨著時(shí)間的推進(jìn)逐步增大，導(dǎo)致目標(biāo)跟蹤丟失[5]。李帥印等[6]結(jié)合了卡爾曼濾波算法和改進(jìn)匈牙利算法，提出了一種基于多層激光雷達(dá)的目標(biāo)檢測(cè)與跟蹤算法，以適應(yīng)無(wú)人駕駛中目標(biāo)增多或減少的情況。王海等[7]提出了一種基于激光雷達(dá)的3D實(shí)時(shí)車輛跟蹤方法，使用全局最近鄰（Global Nearest Neighbor, GNN）算法作為關(guān)聯(lián)算法，并通過(guò)雙波門設(shè)計(jì)，提升了算法精度與速度。ALIREZA A等[8]在激光雷達(dá)數(shù)據(jù)的背景下，提供了一個(gè)基于體素和平面的三維感知體系，可以進(jìn)行在大城市環(huán)境中的地面模型和障礙物測(cè)量。由于對(duì)周圍環(huán)境感知的需求提升，可以看出多目標(biāo)跟蹤算法將會(huì)是未來(lái)的主流方向之一，同時(shí)應(yīng)用GNN也能幫助我們解決多目標(biāo)跟蹤中存在的一些問(wèn)題。也可以考慮攝像頭與激光雷達(dá)融合的跟蹤算法。雖然多算法與多傳感器的耦合能提高整個(gè)系統(tǒng)的精度，但同時(shí)伴隨著的也有整個(gè)系統(tǒng)復(fù)雜性和成本的提高，這也是以后研究需要考慮的問(wèn)題。

2 即時(shí)定位與地圖構(gòu)建

SLAM 即機(jī)器人在移動(dòng)的過(guò)程中根據(jù)自身的位置進(jìn)行自我定位，從而實(shí)現(xiàn)機(jī)器人的自我導(dǎo)航和定位[9]。建圖這一步驟也可利用激光雷達(dá)掃描周圍環(huán)境完成，目前激光雷達(dá)主要分為單軌制與多線這兩個(gè)主要方面，根據(jù)這兩大類激光雷達(dá)（Light Detection and Ranging, LIDAR）提供了不同的計(jì)算方式。首先，單軌制激光雷達(dá)主要使用在平面體育運(yùn)動(dòng)場(chǎng)景中，而多線激光雷達(dá)則使用在三維空間的體育運(yùn)動(dòng)場(chǎng)景。當(dāng)面對(duì)復(fù)雜多變的體育運(yùn)動(dòng)自然環(huán)境時(shí)，多傳感器融合的SLAM則成為了當(dāng)前發(fā)展趨勢(shì)。視野特點(diǎn)會(huì)帶來(lái)精確的體育里程數(shù)計(jì)和數(shù)據(jù)信息量巨大的地圖信息內(nèi)容，而激光雷達(dá)則為視野特點(diǎn)帶來(lái)更精確的體育深度信號(hào)。因此，SLAM 計(jì)算的魯棒特征和實(shí)時(shí)化能力有待進(jìn)一步提高。在提升SLAM算法魯棒性技術(shù)領(lǐng)域方面，還必須充分考慮里程計(jì)的標(biāo)準(zhǔn)、激光雷達(dá)的外參與時(shí)戳標(biāo)準(zhǔn)、激光雷達(dá)運(yùn)動(dòng)畸變的消除等數(shù)據(jù)處理步驟，但同樣也受制于退化環(huán)境、全局位置、動(dòng)態(tài)環(huán)境位置等技術(shù)問(wèn)題。

2.1 Gmapping

Gmapping是一種通過(guò)粒子濾波的2D激光雷達(dá) SLAM，可以用來(lái)形成二維柵格圖，它融合里程計(jì)數(shù)據(jù)，但沒(méi)有回環(huán)檢測(cè)。它的優(yōu)點(diǎn)是在小環(huán)境中，運(yùn)算容量小，速度也比較快。但不足之處是每種粒子都包含著一張版圖，根本無(wú)法處理大環(huán)境（存儲(chǔ)和運(yùn)算量很大）；一旦運(yùn)營(yíng)里程錯(cuò)誤或者標(biāo)定參數(shù)錯(cuò)誤，在較長(zhǎng)回廊的環(huán)境中會(huì)將版圖重建歪。使用粒子濾波架構(gòu)的激光 SLAM，融合了里程計(jì)和激光數(shù)據(jù)信息，每種粒子都可以裝載一張版圖[10]，建立的長(zhǎng)場(chǎng)景版圖所需要的運(yùn)算時(shí)間相對(duì)較少，而且準(zhǔn)確性也較好。正因?yàn)檫@是一種基于粒子濾波的新技術(shù)，所以存在的問(wèn)題還有粒子耗盡的問(wèn)題。GRISETTI G等[11]在論文中提供了一個(gè)對(duì)有選擇性進(jìn)行重采樣操作的辦法，這有效地克服了粒子耗盡的問(wèn)題。

2.2 Hector_slam

通過(guò)優(yōu)化算法實(shí)現(xiàn)幀內(nèi)匹配的激光SLAM算法，由于不要求里程計(jì)數(shù)據(jù)，所以代碼量較小。Hector slam是完全基于掃描匹配的，掃描匹配就是使用當(dāng)前幀與已有地圖數(shù)據(jù)構(gòu)建誤差函數(shù)，并用高斯牛頓法得到最優(yōu)解和偏差量。Hector slam可以通過(guò)迭代優(yōu)化的算法求得匹配的最佳距離，為了防止陷入局部極值錯(cuò)誤，還可以使用更高解析度的地圖匹配。但因?yàn)橥耆蕾囉趻呙杵ヅ?，所以需要雷達(dá)設(shè)備的位置準(zhǔn)確度很高、雷達(dá)測(cè)速效率高、視野范圍寬，或者掃描效率很高（或移動(dòng)速度慢）。在噪音大、特征點(diǎn)少的情況下就比較容易失效。文中[12]提出的方法加入了慣性測(cè)量單元（Inertial Measurement Unit, IMU），使用擴(kuò)展卡爾曼濾波（Extended Kalman Filter, EKF）估計(jì)整體的六自由度（Degree Of Freedom, DOF）位姿，并通過(guò)橫擺角和俯仰角將激光掃描圖像數(shù)據(jù)投影到XY平面位置，因而支持激光雷達(dá)數(shù)據(jù)有一些程度的偏斜，例如：手持或機(jī)器人運(yùn)動(dòng)在并非很水平的地板上。KOHLBRECHER S 等[12]則通過(guò)使用對(duì)地圖梯度的快速近似和高分辨率網(wǎng)格，從而達(dá)到了在各種挑戰(zhàn)性場(chǎng)合中的準(zhǔn)確位置和地圖測(cè)繪水平。

2.3 Karto

圖優(yōu)化 SLAM，包括回環(huán)，一般使用對(duì)矩陣的稀疏化加以解決，在大規(guī)模條件下建圖時(shí)具有優(yōu)越性。KARTO是使用了scan-matching，回環(huán)檢測(cè)和圖優(yōu)化的SLAM方法，并通過(guò)稀疏姿態(tài)調(diào)整（Sparse Pose Adjustment, SPA）實(shí)現(xiàn)優(yōu)化。KONOLIGE K等[10]提供了一個(gè)建立并解決線性子問(wèn)題的最有效方式，即SPA優(yōu)化法。該方法與其他直接方法相比較，有更優(yōu)越的收斂速度和精度，這一方法在真實(shí)地圖和大規(guī)模數(shù)據(jù)集上展示了其有效性。

2.4 Cartographer

Cartographer是谷歌開(kāi)源的激光 SLAM 技術(shù)框架，其優(yōu)點(diǎn)是首先引入了 submap，即 scan to submap matching，將自動(dòng)更新到的每幀數(shù)據(jù)都和最近的submap對(duì)應(yīng)，并放在最佳地址上。一旦不再有自動(dòng)更新的當(dāng)前scan或者自動(dòng)更新到最近的當(dāng)前 submap時(shí)，就封存了這個(gè) submap，然后再去建立最新的submap。第二點(diǎn)是加入了回環(huán)測(cè)試與優(yōu)化。使用最近 submap和當(dāng)前 scan開(kāi)始回環(huán)測(cè)試，一旦當(dāng)前 scan和最近開(kāi)始建立的 submap在長(zhǎng)度上已有一定接近，則開(kāi)始回環(huán)測(cè)試。在監(jiān)測(cè)到的回環(huán)過(guò)后使用 ceres加以調(diào)節(jié)，并改變submap間的相對(duì)位置。為完成回環(huán)分析，通常使用分支定界法。WOLFGANG H等[13]提出并實(shí)驗(yàn)驗(yàn)證了一個(gè)二維SLAM系統(tǒng)，該系統(tǒng)將子圖像掃描匹配、閉合回路監(jiān)測(cè)與圖形優(yōu)化相結(jié)合。使用基于網(wǎng)格的局部SLAM方法創(chuàng)建單獨(dú)的子地圖軌跡。

2.5 LOAM

要在一個(gè)算法當(dāng)中實(shí)現(xiàn)同時(shí)定位和建圖，這個(gè)難度是比較大的。LOAM 是一種面向多線激光雷達(dá)的改進(jìn)SLAM技術(shù)。由于激光雷達(dá)獲得的點(diǎn)是在不同時(shí)刻，再加上雷達(dá)一直處在運(yùn)動(dòng)的狀態(tài)中，這會(huì)使得點(diǎn)云圖發(fā)生失真。因此，在 LOAM上將同時(shí)定位與建圖可以區(qū)分為兩種算法，第一種算法追求更高頻段但保真度相對(duì)較低，因此，可用來(lái)預(yù)測(cè)激光雷達(dá)的速度。而另一個(gè)算法則減少頻率，從而增加了精度，用于點(diǎn)云的精細(xì)配準(zhǔn)[14]。LOAM的提出在一定程度上解決了點(diǎn)云的運(yùn)動(dòng)估計(jì)和建圖，當(dāng)然LOAM也有需要改進(jìn)的地方，比如沒(méi)有開(kāi)發(fā)閉合回路修復(fù)運(yùn)動(dòng)估計(jì)中的漂移量，這一問(wèn)題在后面的LeGO-LOAM得到了解決。

2.6 LeGO-LOAM

LeGO-LOAM相比如LOAM，其主要的提升在于輕量化和地面優(yōu)化[15]。LeGO-LOAM 主要包括四個(gè)方面，分別是地面分割、特征點(diǎn)提取、雷達(dá)里程計(jì)和雷達(dá)建圖。地面分割主要是將非地面點(diǎn)和地面點(diǎn)進(jìn)行區(qū)分，處理大量的散亂點(diǎn)，使得整個(gè)點(diǎn)云圖變得干凈。特征點(diǎn)提取中使用了和LOAM中基本相同的方法，區(qū)分邊緣點(diǎn)和平面點(diǎn)。雷達(dá)里程計(jì)模塊，對(duì)六自由度模型進(jìn)行了兩次列文伯格-馬夸特法（Levenberg Marquardt, LM）算法優(yōu)化求解。在雷達(dá)建圖中，要得到相應(yīng)的全局地圖特征點(diǎn)云，將使用基于傳感器視域和基于圖像優(yōu)化的方式。在地圖優(yōu)化的方法中，通常采用回環(huán)檢查的方式，并加入了 gtsam優(yōu)化，以得出最后的全局結(jié)果地圖[15]。

2.7 LOAM_livox

這是大疆在2019年發(fā)表的基于小FOV Lidar的LOAM算法。該算法繼承了標(biāo)準(zhǔn)LOAM算法的基本結(jié)構(gòu)和技術(shù)，但有幾個(gè)關(guān)鍵的新貢獻(xiàn)[16]：1）特征點(diǎn)篩選方法的主要進(jìn)步。省略了視角邊界上有明顯畸變的地方；去除反射強(qiáng)度偏大或過(guò)小的點(diǎn)；去除輻射角度與所在平面偏差或過(guò)小的點(diǎn)；2）迭代姿勢(shì)優(yōu)化；3）算法可以并行運(yùn)行。該算法雖然在建圖和定位方面實(shí)現(xiàn)了高水平的精度，但順序掃描匹配本質(zhì)上是漂移的。因此，未來(lái)的相關(guān)優(yōu)化可能會(huì)集中在環(huán)路閉合和滑動(dòng)窗口。LIN J R等[17]提出了一種環(huán)路閉合方法用于校正激光雷達(dá)里程計(jì)和建圖中的長(zhǎng)期漂移。提出的方法計(jì)算了關(guān)鍵幀的二維直方圖，并利用對(duì)二維直方圖的歸一化互相關(guān)作為當(dāng)前關(guān)鍵幀與貼紙中關(guān)鍵幀間的相似性度。經(jīng)過(guò)測(cè)試，這一環(huán)路閉合可以顯著降低長(zhǎng)期漂移誤差。

2.8 Lio-mapping

使用IMU預(yù)積分和LOAM融合進(jìn)行雷達(dá)里程測(cè)量和建圖的方法[18]。它包括里程計(jì)的狀態(tài)優(yōu)化和帶旋轉(zhuǎn)約束的細(xì)化。此種方法不同于僅使用激光雷達(dá)，也優(yōu)于松耦合方法。緊耦合激光雷達(dá)IMU融合方法顯示了具有快速更新率的魯棒姿態(tài)估計(jì)結(jié)果。

3 點(diǎn)云分割算法

點(diǎn)云分割法是指通過(guò)空間，幾何和紋理等特性對(duì)點(diǎn)云進(jìn)行合理分割，從而使一個(gè)合理劃分內(nèi)的點(diǎn)云都具有相同的特性，點(diǎn)云的合理劃分通常是多種應(yīng)用的前提[19]，例如：物體識(shí)別和分類，地圖構(gòu)建等。而地面分割往往是一些三維點(diǎn)云處理算法的預(yù)先步驟，地面點(diǎn)的數(shù)量往往是比較多的，因此在自動(dòng)駕駛車輛中，正確的區(qū)分地面點(diǎn)和非地面點(diǎn)就顯得尤為重要[19]。地面分割的算法主要分為六類[20]。

3.1 基于高程的方法

在點(diǎn)云的統(tǒng)計(jì)中，道路點(diǎn)云相對(duì)于其他地方的點(diǎn)云存在著幾個(gè)明顯的特點(diǎn)：1）道路點(diǎn)屬于低地方點(diǎn)，且高度遠(yuǎn)小于附近的任何地物，如建筑、植物等。使用該特性提供的點(diǎn)云濾波，可區(qū)別出路面點(diǎn)和其余非地面點(diǎn)；2）道路較周邊的任何地物更平緩，并統(tǒng)計(jì)各點(diǎn)的方法向量，通過(guò)設(shè)置適當(dāng)?shù)钠露乳撝翟诘孛纥c(diǎn)中抽取出候選道路點(diǎn)；3）在幾何形狀上道路呈長(zhǎng)條帶狀分布且彼此連通。在這種方式中，三維點(diǎn)云通常被投射在二維網(wǎng)格上，以減小網(wǎng)格中各個(gè)單元所包含的級(jí)別變量特征值，而其中特征值通常是根據(jù)網(wǎng)格內(nèi)的測(cè)量數(shù)值統(tǒng)計(jì)而得到的，如：最大平均寬度、最大平均高度和寬度方差，以及最大平均相對(duì)高度和高度方差[21-22]。所以，分割通常是利用比較特征值和設(shè)定的閾值來(lái)實(shí)現(xiàn)的?；诟叱痰姆指罘椒ù嬖诘囊粋€(gè)不足之處在于，它不能很好地區(qū)分橋梁和帶有坡度的地面，容易將這兩種識(shí)別為非地面點(diǎn)?；诟叱痰姆椒ㄆ洳襟E如圖1所示。

圖1 基于高程的分割算法

3.2 基于地面建模的方法

三維點(diǎn)云的處理在許多時(shí)候都是作為一種整體或沿縱向的部分加以處理，但在文中[22]提供了一個(gè)對(duì)地面建模的分割方式。這一方式并不適用前述的處理方式，而只是通過(guò)將點(diǎn)云按角度分割，然后再獨(dú)立地將二維線擬合在這些部分。而區(qū)分地面點(diǎn)與非地面點(diǎn)，主要是通過(guò)比較段內(nèi)從各節(jié)點(diǎn)到線路的記錄。當(dāng)然這一方法也難免會(huì)遇到地面分割的最大難題，那就是帶坡度的地面。論文中[22]給出的方案，使用了高斯過(guò)程（Gaussian Process, GP）等概率方式來(lái)得到更有效的擬合，從而處理帶有坡度的地面。不過(guò)，正因?yàn)橐赃@種方式單獨(dú)處理每個(gè)部分，所以并無(wú)法保持分割結(jié)果沿角度走向的一致連續(xù)性。王肖等[23]針對(duì)于智能車輛環(huán)境感知實(shí)時(shí)性要求，研究一種基于3D全景式激光雷達(dá)的點(diǎn)云快速分割方法。采用帶地面狀態(tài)變化判斷的分塊直線擬合算法來(lái)去除背景地面數(shù)據(jù)，生成前景點(diǎn)云圖像并利用機(jī)器視覺(jué)算法進(jìn)行聚類分割。

3.3 基于馬爾科夫的方法

道路現(xiàn)場(chǎng)劃分，在高速公路環(huán)境條件認(rèn)識(shí)中是個(gè)十分關(guān)鍵的工作環(huán)節(jié)。關(guān)于路面場(chǎng)景分割方式對(duì)有所不同的場(chǎng)合下或許會(huì)形成誤劃分的提問(wèn)，文章[24]使用基于粒子群優(yōu)化算法（Particle Swarm Optimization, PSO）的改良馬爾科夫隨機(jī)場(chǎng)方式對(duì)路面情景實(shí)現(xiàn)了切割，先利用 Gabor對(duì)路面情景做出預(yù)處理，接著再利用改良馬爾科夫隨機(jī)場(chǎng)方式中的勢(shì)函數(shù)統(tǒng)計(jì)圖像能量，最后一步再利用PSO方式對(duì)圖像處理的能力實(shí)現(xiàn)了優(yōu)化，從而得出路面場(chǎng)景分割結(jié)論。

3.4 基于相鄰點(diǎn)關(guān)系的方法

點(diǎn)云分割，形象地可以解釋為找出與自己不相同的點(diǎn)。所以一種很自然的思路就是鄰近搜索的分割方式。通過(guò)對(duì)比某一個(gè)點(diǎn)與其相鄰點(diǎn)的屬性，從而進(jìn)行點(diǎn)云的劃分。在相鄰點(diǎn)關(guān)系的劃分方式中，如何確定鄰近點(diǎn)是一項(xiàng)非常重要的工作。在一些掃描的點(diǎn)云中，鄰近點(diǎn)是確認(rèn)的，可是對(duì)于有些雜亂無(wú)章或者經(jīng)過(guò)某些濾波后的點(diǎn)，怎么樣確認(rèn)其臨近點(diǎn)就顯得尤為重要。這種確認(rèn)可以通過(guò)“樹”來(lái)完成，目前主流的樹有 KDtree和Octree。確認(rèn)了臨近點(diǎn)之后，下一工作就是計(jì)算目標(biāo)點(diǎn)與臨近點(diǎn)的關(guān)系，這種關(guān)系可以使用歐幾里得算法和區(qū)域生長(zhǎng)算法。歐幾里得計(jì)算通常采用了臨近一個(gè)點(diǎn)之間的間距為判別準(zhǔn)則，而區(qū)域生長(zhǎng)計(jì)算則使用了法線、曲率、顏色等信息，來(lái)綜合地判別點(diǎn)云是否應(yīng)該被聚成一類?；卩徑c(diǎn)的分類方法，其運(yùn)算速度快，能更好地適用于實(shí)時(shí)處理。此類方法的不足之處在于其不能很好地處理低矮點(diǎn)，會(huì)有很大的分割誤差。另外本方法的閾值需要人為進(jìn)行反復(fù)調(diào)試，故一般用于點(diǎn)云的粗分割。

3.5 基于深度學(xué)習(xí)的方法

CHARLES等提出了一個(gè)新的直接消耗節(jié)點(diǎn)云的神經(jīng)網(wǎng)絡(luò)，這一新技術(shù)較好地尊重了輸入節(jié)點(diǎn)的置換不變性。網(wǎng)名被命名為PointNet，并為從大數(shù)據(jù)分類、零件分離和場(chǎng)景語(yǔ)義計(jì)算中的應(yīng)用創(chuàng)造了統(tǒng)一的體系結(jié)構(gòu)。PointNet方法非常有效，并且達(dá)到了令人印象深刻的結(jié)果，不過(guò)采用深度訓(xùn)練的方式還是有著使用了大量的標(biāo)記方法進(jìn)行訓(xùn)練的缺陷。而且，測(cè)試這種方法也相當(dāng)麻煩。

3.6 基于平面擬合的方法

平面擬合法是指使用原始的幾何形體模式（平面、圓柱體、圓柱體）作為先驗(yàn)知識(shí)進(jìn)行空間劃分，把帶有相似表達(dá)式的點(diǎn)云數(shù)據(jù)都?xì)w于同一個(gè)區(qū)域中，這也被稱之為基于模型的空間分割計(jì)算。隨機(jī)抽樣一致性方法（RANSAC）[25]，它能夠在一個(gè)具有“局外點(diǎn)”特征的觀測(cè)數(shù)據(jù)中，通過(guò)采用迭代方法預(yù)測(cè)數(shù)學(xué)模型的參數(shù)。假設(shè)大地是平直的，因此，可以用平面來(lái)描述大地。平面模型的基本數(shù)學(xué)公式是ax+by+cz+d=0[26]，可以通過(guò)不停地變化四個(gè)函數(shù)，找到在這個(gè)模型中一定階段內(nèi)可以擬合更多的點(diǎn)的函數(shù)。在找到了這組函數(shù)之后，這個(gè)可以被模型擬合的點(diǎn)就是在平面的最后一個(gè)點(diǎn)。平面被擬合后，接下來(lái)就是通過(guò)激光雷達(dá)的距離來(lái)分出地面點(diǎn)與非地面點(diǎn)。在自主汽車所遇到的實(shí)際情景中，由于地球表面并不永遠(yuǎn)都是平坦的，所以點(diǎn)云并非直接地將一個(gè)平面擬合到三維點(diǎn)云，而是首先沿汽車行進(jìn)方向劃定范圍。接著從距離汽車最近的部門出發(fā)，在各個(gè)部門中，通過(guò)四分位距（Inter Quartile Range,IQR）的方法篩選出大部分離群點(diǎn)，之后再用剩余點(diǎn)估計(jì)帶有RANSAC的平面。當(dāng)通過(guò)檢測(cè)高程與方向差來(lái)確定連續(xù)平面的穩(wěn)定性以后，可以利用把截面中各個(gè)節(jié)點(diǎn)與結(jié)果平面間的長(zhǎng)度與給定閾值加以對(duì)比來(lái)實(shí)現(xiàn)分割[22]。平面擬合的分割方式簡(jiǎn)單，以幾何方法為基本，計(jì)算簡(jiǎn)單處理快，對(duì)噪聲和奇異點(diǎn)都不敏感性。限制是指無(wú)法處理大量或復(fù)雜情景下的數(shù)據(jù)。

4 結(jié)論

高效的應(yīng)用算法，對(duì)汽車激光雷達(dá)充分實(shí)現(xiàn)探測(cè)性能至關(guān)重要，所以汽車業(yè)界中更多的人都相信智能駕駛車輛，最終將變成一種“軟件產(chǎn)品”。

為了有效準(zhǔn)確了解周邊環(huán)境，追蹤和辨識(shí)障礙物、實(shí)現(xiàn)智能駕駛車輛定位系統(tǒng)和行車路線規(guī)劃，保障其安全、有效地運(yùn)行，車載激光雷達(dá)的信息處理將符合實(shí)時(shí)、穩(wěn)定、精確的特點(diǎn)。

目前車內(nèi)激光雷達(dá)應(yīng)用算法都存在不同程度的局限：第一，算法安全性與實(shí)時(shí)性互相抑制，兩者無(wú)法共同實(shí)現(xiàn)；其次，算法多是面向某一特殊場(chǎng)合而開(kāi)發(fā)，因此，無(wú)法提高可移植性和穩(wěn)定性。

場(chǎng)景的復(fù)雜性與多樣化導(dǎo)致算法的發(fā)展異彩紛呈，并出現(xiàn)了全方位、多角度的多元融合趨勢(shì)。

各種計(jì)算方式的合理選擇應(yīng)用將滿足各種情景下的智慧行車問(wèn)題，同時(shí)點(diǎn)云分割算法是實(shí)現(xiàn)目標(biāo)追蹤與識(shí)別的重要基石，通過(guò)目標(biāo)追蹤與識(shí)別將完成對(duì)車輛及周邊障礙物運(yùn)動(dòng)狀況與幾何特性的綜合評(píng)估，而SLAM則將完成對(duì)車輛的精確定位和可行駛路線規(guī)劃。