EEPW论坛

简单来说，激光雷达(LiDAR)的原理是通过单元激光束，遇到障碍物后进行反射，并被接收单元捕获，通过测量每束激光飞行时间(TOF，TimeofFlight)来确定障碍物的距离，并且构建点云。

当激光雷达的质量(价格)非常高时，每秒可以多达200万激光束，意味着有200多万个点云，点云代表3D世界，因为激光雷达获取的是每撞击点的准确三维坐标(X,Y,Z)。从而构建丰富的环境3D场景。

激光雷达的缺点是什么？

1. 激光雷达不能直接估计速度。他们需要计算两次连续测量之间的差异才能做到这一点。

2. 激光雷达在恶劣的天气条件下无法正常工作。在有雾的情况下，激光可以击中它并混淆场景。类似于雨滴或泥土。

3．激光雷达在尺寸方面很笨重——它们不能像相机或雷达那样隐藏起来。

4. 激光雷达的价格虽然在下降，但仍然很高。

激光雷达有哪些优势？

1．激光雷达可以准确估计障碍物的位置。到目前为止，我们还没有更准确的方法来做到这一点。

2.如果我们看到车辆前面的激光雷达生成的点云，即使障碍物检测系统没有检测到任何东西，我们也可以停下来。

使用 LiDAR 进行“对象检测”有两种主要方法：

1．用无监督机器学习技术

2．使用 3D 深度学习

下面主要介绍第一种方法，该方法主要有4个步骤：

1.点云处理；

2.点云分割；

3.障碍物聚集；

4.编辑框拟合；

体素网格是一个 3D 立方体,通过每个立方体只留下一个点来过滤点云。

立方体越大，点云的最终分辨率越低。

最后，我们可以将云的采样从 100000点降低到只有几千点。

对点云就行采样处理完后，就可以进行分割、聚类和边界框的实现。

点云分割的任务是将障碍物从场景中区分出来。

RANSAC

一种非常流行的用于分割的方法称为RANSAC(随机抽样一致性算法)，该算法的目标是识别一组点中的异常值。

点云的输出一般代表一些形状。有些形状代表障碍物，有些则简单地代表地面上的倒影。RANSAC 的目标是识别这些点并通过拟合平面或线将它们与其他点分开。

为了拟合一条线，我们可以考虑线性回归。但是有这么多的异常值，回归会试图平均结果并错过这条线。与线性回归相反，这里的算法将识别这些异常值。

我们可以将这条线视为场景的目标路径（即道路），将异常值视为障碍物。

它是如何工作的？

过程如下：

1、随机选择2个点

2、将线性模型拟合到这些点

3、计算每隔一个点到拟合线的距离。如果距离在定义的距离容差范围内，我们将该点添加到内层列表中。

因此它需要一个参数：距离容差。

最后，选择内层数最多的迭代作为模型;其余的都是异常值。这样，我们就可以把每一个内线都看作是道路的一部分，把每一个异常值都看作是障碍的一部分。

RANSAC 也适用于 3D。在这种情况下，3 点之间的平面是算法的基础。然后计算点到平面的距离。

下图是点云上的 RANSAC 算法的结果。红色区域代表车辆，而地面为绿色。

RANSAC 是一种非常强大且简单的点云分割算法。它试图找到属于同一形状的点，以及不属于同一形状的点。然后，它可以分离云。

RANSAC的输出是一个障碍点列表，一个道路点列表。由此，我们可以为每个障碍定义独立的簇。

聚类是一种根据点的距离将一组点分开的技术。考虑到上面的图像，我们有一些可见的障碍，我们需要算法本身来理解实际上有多辆车，并为每个障碍设置一种颜色。

它是如何工作的？

聚类是一系列机器学习算法，包括：k-means（最流行的）、DBScan、HDBScan 等

我们可以简单地使用欧几里得聚类并计算点之间的欧几里得距离。

过程如下：

1、选择 2 个点，一个目标和一个当前点

2、如果目标与当前点之间的距离在距离容差范围内，则将当前点添加到集群中。

3、如果没有，请选择另一个当前点并重复。

聚类算法将距离容差、最小聚类大小和最大聚类大小作为输入。这样，我们可以过滤“幽灵障碍物”（无缘无故地在空间中的一点上的一个点云）并定义封闭障碍物的距离。

计算和 KD 树

上述技术的问题在于，一个 LiDAR 传感器可以输出 100,000 个点云。这将意味着 100,000 次欧几里得距离计算。为了避免计算每个点的距离，我们可以使用 KD 树。

KD树是一种搜索算法，它将根据点在树中的XY位置进行排序。一般的想法是，如果一个点不在一个定义的距离公差内，那么其x或y更大的点肯定不会在这个距离内。这样，我们就不用计算所有的点。

以上面的这种情况为例，底部的橙色点不低于距离容差阈值。我们可以删除这个橙色点右侧的每个点，因为我们确信它们也不会在容差阈值内。然后我们可以取另一个点，计算距离，然后依次重复。

KD 树非常适合计算——欧几里得使得计算量大大减少。再加上聚类算法，它们是有效获取独立障碍物的强大工具。

最终目标是在每个集群周围创建一个 3D 边界框。

这部分不是特别难，但它对障碍物的大小做出了假设。由于我们没有进行任何分类，我们必须将边界框与点相匹配。

一种可以帮助拟合边界框的算法是主成分分析 (PCA)。使用 PCA，我们可以绘制一个与点云完全对应的边界框。

通过结合上面讨论的所有 3 种技术，我们有一个基于 LiDAR 点云的障碍物检测算法！其结果如下所示。

LiDAR是一种非常强大且可靠的传感器，在机器人技术中得到了广泛应用。

一段时间以来，LiDAR技术因其笨重的尺寸和价格而饱受诟病，使其成为精英传感器。

随着价格的下降，甚至独立开发者也可以使用它。

随着 LiDAR 的可用性，获得使用该传感器的技能将成为工程师的真正优势！传感器融合也是一个引人入胜的话题，只有掌握了 LiDAR + 摄像头或 LiDAR + RADAR 检测才有意义。

转贴自网络