激光點(diǎn)云指的是由三維激光雷達(dá)設(shè)備掃描得到的空間點(diǎn)的數(shù)據(jù)集，每一個點(diǎn)云都包含了三維坐標(biāo)（XYZ）和激光反射強(qiáng)度（Intensity），其中強(qiáng)度信息會與目標(biāo)物表面材質(zhì)與粗糙度、激光入射角度、激光波長以及激光雷達(dá)的能量密度有關(guān)。

激光雷達(dá)點(diǎn)云的相關(guān)參數(shù)

點(diǎn)云數(shù)據(jù)的接收

激光雷達(dá)的原始點(diǎn)云數(shù)據(jù)都會被存放在一個數(shù)據(jù)包里（pcap）

從數(shù)據(jù)的內(nèi)容來看，該型號的激光雷達(dá)在垂直方向上（-15° 到 + 15°）有 16 線的激光束，其每幀的數(shù)據(jù)長度固定為 1248 字節(jié)，這些字節(jié)包括前 42 字節(jié)的前數(shù)據(jù)包標(biāo)識、12 組數(shù)據(jù)包、4 字節(jié)時間戳和最后兩字節(jié)雷達(dá)型號參數(shù)。

點(diǎn)云數(shù)據(jù) (pcd) 的解析

數(shù)據(jù)包（pcap）中的原始數(shù)據(jù)需要進(jìn)一步轉(zhuǎn)換為可被感知技術(shù)人員使用的 pcd 格式的數(shù)據(jù)集。

點(diǎn)云數(shù)據(jù)的 pcd 格式文件是激光點(diǎn)云的一種存儲格式，pcd 文件主要是由笛卡爾坐標(biāo) (x,y,z) 和強(qiáng)度值 i 組成的列表，即每個點(diǎn)云都會附帶獨(dú)有的三維坐標(biāo)系和能量反射強(qiáng)度。

運(yùn)動畸變補(bǔ)償

通過 IMU 和輪式里程計（或者直接用 IMU）的方式，推算出 0.1 秒內(nèi)車是怎么運(yùn)動的，然后利用運(yùn)動模型來做運(yùn)動畸變補(bǔ)償。

常見的運(yùn)動畸變補(bǔ)償?shù)姆椒ǎ?/span>

慣性測量單元（IMU）方法是在 IMU 隊列中查找相鄰兩幀 IMU 的數(shù)據(jù)，然后通過球面線性插值的方式計算掃描點(diǎn)所在時刻的激光雷達(dá)位姿，并應(yīng)用齊次坐標(biāo)系變化將兩個點(diǎn)云坐標(biāo)變換至同一坐標(biāo)系下。

輪式里程計（ODOM）方法是通過求解當(dāng)前幀激光雷達(dá)數(shù)據(jù)中每個點(diǎn)云對應(yīng)的坐標(biāo)系下的里程計位姿后，再根據(jù)求得的位姿把每個點(diǎn)云坐標(biāo)都轉(zhuǎn)化到同一坐標(biāo)系下（需要轉(zhuǎn)化兩次），最后重新封裝該幀點(diǎn)云數(shù)據(jù)。

點(diǎn)云組幀

在激光雷達(dá)獲取點(diǎn)云數(shù)據(jù)的過程中，由于受到產(chǎn)品自身系統(tǒng)、待測物體表面及掃描環(huán)境等因素的影響，點(diǎn)云數(shù)據(jù)中會不可避免地夾雜著一些噪點(diǎn)（離群點(diǎn)），需要將其直接剔除或者以平滑的方式進(jìn)行處理。這些噪點(diǎn)（離群點(diǎn)）會在后續(xù)的點(diǎn)云處理環(huán)節(jié)中（如點(diǎn)云分割、特征提取、點(diǎn)云配準(zhǔn)等）讓模型結(jié)果產(chǎn)生一定的誤差。因此，在實(shí)際的點(diǎn)云處理流程中，感知人員會對點(diǎn)云進(jìn)行濾波處理。

感知功能層面的處理

將點(diǎn)云數(shù)據(jù)分別進(jìn)行感知和定位層面的處理。

基于傳統(tǒng)方法的感知數(shù)據(jù)處理

（1）地面點(diǎn)云分割

點(diǎn)云數(shù)據(jù)中會有很大一部分點(diǎn)云屬于地面點(diǎn)數(shù)據(jù)，并呈現(xiàn)出一定的紋理狀，這會對后續(xù)目標(biāo)物的點(diǎn)云處理流程產(chǎn)生影響。

一方面，若不將這些地面點(diǎn)云數(shù)據(jù)進(jìn)行分割及去除，這些無效的點(diǎn)云數(shù)據(jù)就會對位于地面上的物體點(diǎn)云數(shù)據(jù)造成干擾，會降低目標(biāo)障礙物分割算法的準(zhǔn)確性和魯棒性；另一方面，由于點(diǎn)云數(shù)據(jù)量過大，這就會增加模型對計算量的需求。

所以，在進(jìn)行后續(xù)工作前，感知算法人員需要先對地面點(diǎn)云進(jìn)行過濾處理。

幾種常用的地面點(diǎn)分割方法：平面柵格法、點(diǎn)云法向量、模型擬合法 - 平面擬合（RANSAC）、面元網(wǎng)格法

（2）目標(biāo)物的點(diǎn)云分割

在去除掉地面點(diǎn)云后，接下來感知算法人員就需要將目標(biāo)物點(diǎn)云進(jìn)行有效地分割、分塊，從而便于對目標(biāo)物進(jìn)行單獨(dú)處理，即點(diǎn)云分割。目標(biāo)障礙物的點(diǎn)云分割是根據(jù)空間、幾何和紋理等特征對點(diǎn)云進(jìn)行劃分。

幾個常用的點(diǎn)云分割方法：基于邊緣的方法、基于區(qū)域增長的方法、基于屬性的方法

（3）目標(biāo)物聚類分析

在目標(biāo)物點(diǎn)云分割完后，感知算法人員就需要將點(diǎn)云圖中各個已分割的點(diǎn)云聚類成若干個整體，即把具有相似程度較高的點(diǎn)云組成一組，以便降低后續(xù)模型的計算量 —— 這個過程就被稱為點(diǎn)云聚類。

常見的點(diǎn)云聚類方法：K-means、DBSCAN、歐式聚類、

（4）匹配與跟蹤

匹配和跟蹤的算法流程是先將目標(biāo)預(yù)測的結(jié)果與測量的點(diǎn)云數(shù)據(jù)計算關(guān)聯(lián)矩陣，然后利用匈牙利算法（其核心原理是尋找增廣路徑，從而達(dá)成最 大匹配）進(jìn)行匹配關(guān)系的確定，最后將點(diǎn)云數(shù)據(jù)分為匹配上的目標(biāo)和未匹配上的目標(biāo)兩類，將其分別保存，并為跟蹤做準(zhǔn)備。

 基于深度學(xué)習(xí)的感知數(shù)據(jù)處理

點(diǎn)云在預(yù)處理完成后，就直接放入深度學(xué)習(xí)模型中，或者是先降采樣后再放入深度學(xué)習(xí)模型。

常用的基于深度學(xué)習(xí)的目標(biāo)檢測方法：

PointNet、

、PointNet++

·      VoxelNet

·      SECOND

·      PointPillar

·      PCT

雖然當(dāng)前深度學(xué)習(xí)已經(jīng)在自動駕駛行業(yè)內(nèi)被廣泛應(yīng)用，但是深度學(xué)習(xí)在點(diǎn)云數(shù)據(jù)處理中也會遇到一些挑戰(zhàn)。

一方面，點(diǎn)云作為場景中點(diǎn)的位置具有稀疏和非結(jié)構(gòu)化的性質(zhì)，因此它們的密度和數(shù)量都隨著場景中對象的變化而變化。另一方面，由于自動駕駛汽車行駛時需要非?？焖俚刈龀龇磻?yīng)，因此必須實(shí)時執(zhí)行物體檢測，而這意味著檢測網(wǎng)絡(luò)必須在兩次掃描之間的時間間隔內(nèi)提供計算結(jié)果。

所以，深度學(xué)習(xí)雖然可用、好用，但不可盡用。

定位功能層面的處理

3.1 特征提取

先提取周邊場景的目標(biāo)物特征，并通過這些特征和所獲取到的相對距離信息來建立一個小地圖，知道車輛的相對初始位置。

3.2 地圖匹配

在提取完周圍目標(biāo)物的特征后，感知算法人員就需要根據(jù)這些特征來進(jìn)行點(diǎn)云地圖匹配，來獲取各個點(diǎn)云之間的相對位姿。點(diǎn)云地圖匹配一般可分為幀間匹配和高精地圖匹配。

3.3 位姿優(yōu)化

通常來說，相對位姿的不準(zhǔn)確主要是由于一些不可控因素造成的，如點(diǎn)云被物體遮擋或者激光雷達(dá)視場角的限制。點(diǎn)云的位姿優(yōu)化通過一定的點(diǎn)云坐標(biāo)系的剛體變化（旋轉(zhuǎn)或平移）來得到最優(yōu)相對位姿。