自动驾驶使用同心区域模型改进地面点云快速分割算法

Posted 2022-11-28 小哈里

文章目录

• • • 1、linefit_ground_segmentation
    • 2、使用Patchwork改进第1部分
    • 3、激光深度聚类算法 depth_clustering

运行环境：Ubuntu18.04, ROS环境运行。
ROS环境配置：https://blog.csdn.net/qq_44830040/article/details/106049992
1、改进程序1，将CZM（同心区域模型）思想替换进去
2、提取程序1中的分割部分，与程序3融合。
3、采用开源数据集进行验证

1、linefit_ground_segmentation

地面点云快速分割算法—linefit_ground_segmentation

• 项目地址：https://github.com/lorenwel/linefit_ground_segmentation
• 论文地址
  

大致介绍：

• 将雷达点云等间隔为N个段，每个段有个角度a，并且等分为M个Bin。
• 将当前帧所有点云投影到段中，也就是降维：将p(x,y,z)三维，降到二维p(d, z)。
  
• 对每个段拟合直线z = kd + b，这里的k指的的路面的坡度。基于拟合的直线判断点到路面的高度，如果高度小于阈值，则该点是路面点，否则为障碍物点。这种方法可以适用于具有坡度的路面。
  

参考资料：

• 数据集与项目注解：https://github.com/HuangCongQing/linefit_ground_segmentation_details
  论文注解：https://blog.csdn.net/lovelyaiq/article/details/118826534

2、使用Patchwork改进第1部分

基于同心区域模型 (CZM) 的区域地面分割方法，称为 Patchwork

• 项目地址：https://github.com/LimHyungTae/patchwork
• 论文地址 （发表于ICRA2021，机器人领域的国际顶级会议，CCFB类）
  

大致介绍：

• 摘要：
  本文将点云编码到基于同心区域模型的表示中，以一种计算简单的方式为bin分配合适的点云密度。然后在区域内进行平面拟合，来估计每个bin的地面。最后，引入地面似然估计以显著减少误报。
  实现结果在SemanticKITTI和粗糙地形数据集上进行了验证，与最先进的方法相比，我们提出的方法具有良好的性能，与现有的基于平面拟合的方法相比，速度更快。

• 首先，将所有的点根据需要划分成 地面点 和 非地面点。并按照极坐标对点云进行分区，距离原点越近区域面积越小，文章利用min和max值和特定公式进行分区。
  同心区模型图如下：
  

• 然后，每个区域找地面，然后地面再拼接在一起。每个区域利用z值进行“生长”，然后得到地面点集。在最靠近车的Z1，利用传感器高度来决定初始点，越离车远，传感器高度值要乘以一个系数。
  我们利用地面似然估计 (GLE) 在垂直度、高度和平整度方面来确定每个bin是否为地面。图片如下。
  

• 最后，通过垂直度、高度、平整度三个特征，来进行二分类，使得所有的bin集合成整个路面。
  区域级地平面拟合 R-GPF 图如下：
  

参考资料：

• 3DLiDAR传感器进行基于同心区域的区域地面分割和地面似然估计：https://blog.csdn.net/weixin_42905141/article/details/122951210
  patchwork基于多线激光雷达的地面分割方法
  https://zhuanlan.zhihu.com/p/484251201
  点云地面分割算法—— Patchwork论文分析
  https://www.guyuehome.com/38829

3、激光深度聚类算法 depth_clustering

使用 Velodyne 激光雷达传感器生成的点云 ， 快速且稳健的深度聚类算法

• 项目地址：https://github.com/PRBonn/depth_clustering
  

大致介绍：

• 环境需要：ubuntu 18.04 ，ros-melodic
• 然后使用项目中的安装命令进行安装。安装完后编译。
• 然后下载一些数据图进行测试

  # 安装命令
  sudo apt install libopencv-dev libqglviewer-dev-qt5 freeglut3-dev qtbase5-dev 
  # 数据集下载
  mkdir data/; wget http://www.mrt.kit.edu/z/publ/download/velodyneslam/data/scenario1.zip -O data/moosmann.zip; unzip data/moosmann.zip -d data/; rm data/moosmann.zip
  # 查看运行结果
  ./qt_gui_app 
  

• ros环境下编译相同，其他bag包和环境等按照ros的操作来。

参考资料：

• 深度聚类：https://blog.csdn.net/weixin_44876302/article/details/119715528
  使用笔记：https://ivenwang.com/2020/05/16/jule/
  安装运行：https://blog.csdn.net/qq_40216084/article/details/108703496
  ROS运行：https://blog.csdn.net/m0_52118763/article/details/120876198