本章聚焦于地面點(diǎn)云分割算法，旨在為讀者快速勾勒出該領(lǐng)域的技術(shù)脈絡(luò )�；谒惴ㄔ淼牟町愋�，將3D激光點(diǎn)云的地面分割技術(shù)細分為以下五大類(lèi)。
1、基于高程地圖的地面點(diǎn)云分割
此類(lèi)算法巧妙地將3D激光點(diǎn)云投影至X0Y平面，隨后將平面細分為若干網(wǎng)格。在每個(gè)網(wǎng)格內，算法計算點(diǎn)云子集的平均高度、最大-最小高度差、最大相對高度差及高度方差等關(guān)鍵參數。通過(guò)將這些參數與預設閾值進(jìn)行比對，算法能夠區分出包含非地面點(diǎn)與純粹地面點(diǎn)的網(wǎng)格。該方法計算資源需求低，不受限于激光雷達的掃描模式，且能有效應對多種地面場(chǎng)景。然而，其局限性在于，當網(wǎng)格內存在如橋梁、路牌、樹(shù)木等懸空物體時(shí)，可能導致整個(gè)網(wǎng)格被誤判為非地面區域。為此，提出了分層處理的創(chuàng )新方法，顯著(zhù)增強了地面點(diǎn)云分割的魯棒性。 2、基于相鄰點(diǎn)幾何關(guān)系的地面點(diǎn)云分割 傳統機械激光雷達憑借其固定的掃描模式，能夠精確計算出激光點(diǎn)在不同線(xiàn)束及方位角下的距離與角度差異�；谶@些精確數據，通過(guò)比對實(shí)際測量中相鄰激光點(diǎn)間的距離與角度變化是否逾越預設閾值，實(shí)現了地面點(diǎn)與非地面點(diǎn)的有效區分。為進(jìn)一步優(yōu)化計算效率，Bogoslavskyi等及Y.Li等學(xué)者創(chuàng )新性地提出，結合激光雷達的掃描特性，將復雜的3D激光點(diǎn)云數據簡(jiǎn)化為2.5D深度圖形式。深度圖中，行與列分別對應激光線(xiàn)束的俯仰角（y）與掃描方位角（θ），而像素值則直接反映了激光點(diǎn)的測量距離（r）。通過(guò)深度圖內相鄰元素間的幾何特征分析，能夠高效提取出地面點(diǎn)集與非地面點(diǎn)集。
3、基于地面模型擬合的點(diǎn)云分割
點(diǎn)云分割策略，首先以地面為平面的基本假設出發(fā)，結合激光雷達位置與高度限制，初步剔除非地面點(diǎn)云。隨后，利用RANSAC算法精確擬合地平面，通過(guò)激光點(diǎn)至地平面的距離閾值界定地面與非地面點(diǎn)。然而，鑒于真實(shí)地形多含起伏與弧度，單一平面假設易引入誤差。為提升精度，現有研究提出區域化處理方法，即將點(diǎn)云分割為多個(gè)區域，在各區域內獨立應用RANSAC進(jìn)行地面擬合，并剔除異常點(diǎn)。另一策略則通過(guò)扇區細分與中心平面投影，將3D點(diǎn)云轉化為2D點(diǎn)集，提取關(guān)鍵點(diǎn)后進(jìn)行直線(xiàn)擬合，依據斜率與點(diǎn)到線(xiàn)距離分類(lèi)地面與非地面點(diǎn)。更進(jìn)一步，為精確刻畫(huà)起伏地形，Douillard等人及Chen等學(xué)者引入了2D與3D高斯過(guò)程回歸模型，在區域化基礎上實(shí)施地面擬合，并采用INSAC算法剔除噪聲，生成更精細的地面模型與點(diǎn)集。盡管這些方法顯著(zhù)提高了擬合精度，但多區域迭代擬合與回歸的過(guò)程也相應增加了計算復雜度，影響了實(shí)時(shí)性能。
4,基于機器學(xué)習模型的地面點(diǎn)云分割
憑借馬爾可夫隨機場(chǎng)及條件隨機場(chǎng)等機器學(xué)習算法在圖像分割領(lǐng)域的深厚積淀，研究者們巧妙地將這些模型引入至3D激光點(diǎn)云的地面分割挑戰中。3D激光點(diǎn)云被精細劃分為多個(gè)柵格單元，每個(gè)單元依據其梯度變化與平均高度等特征，精心構建馬爾可夫隨機場(chǎng)模型。隨后，通過(guò)高效的信念傳播算法（BP），環(huán)境被精準劃分為多個(gè)功能區域，包括可行走區、可達區、障礙物區及未知區等，實(shí)現了對復雜環(huán)境的深刻理解與精準分割。
5. 基于深度學(xué)習網(wǎng)絡(luò )的地面點(diǎn)云分割
近年來(lái)，深度學(xué)習算法的蓬勃發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò )（CNN）的廣泛應用，推動(dòng)了激光感知領(lǐng)域的一大革新。直接利用CNN對3D激光點(diǎn)云實(shí)施精準語(yǔ)義分割，能夠迅速為每一幀的激光點(diǎn)賦予具體類(lèi)別標簽，如地面、車(chē)輛、行人等，這已成為該領(lǐng)域的研究焦點(diǎn)。
atiphon 等研究者在日本名古屋大學(xué)，于2018年巧妙融合了相鄰點(diǎn)幾何關(guān)系與模型擬合的優(yōu)勢，創(chuàng )新性地提出了級聯(lián)地面分割（CGS）算法。該算法首先通過(guò)激光點(diǎn)間距離的有效篩選，初步剔除大量非地面數據，隨后將剩余點(diǎn)云精準劃分為多個(gè)獨立區域。在每個(gè)特定區域內，運用迭代RANSAC方法精細擬合地面模型，進(jìn)而基于這些模型實(shí)現地面點(diǎn)與非地面點(diǎn)的高精度分割。
障礙物與地面坡度對點(diǎn)云數據的顯著(zhù)影響，Patiphon團隊針對固定旋轉掃描模式的激光雷達系統（如機械式激光雷達），深入剖析了其生成的激光點(diǎn)云特性。他們強調，點(diǎn)云中相鄰地波間距離的變異不僅受限于激光雷達的固有參數、掃描距離及安裝高度，更與地面的坡度變化緊密相連。具體而言，地面坡度平緩時(shí)，相鄰激光線(xiàn)束間的點(diǎn)云間距會(huì )相應拓寬，；反之，隨著(zhù)地面坡度陡增，這些間距則顯著(zhù)縮短。尤為值得注意的是，當激光雷達遭遇垂直障礙物時(shí)，同一方位角下相鄰線(xiàn)束間的激光點(diǎn)間距會(huì )進(jìn)一步壓縮。
基于馬爾可夫隨機場(chǎng)的地面點(diǎn)云精準分割，馬爾可夫隨機場(chǎng)（Markov Random Field, MRF），作為早期視覺(jué)處理的利器，已成功涉足邊緣檢測、立體匹配、圖像細分及復原等多個(gè)領(lǐng)域，碩果累累。日本豐田工業(yè)大學(xué)的Guo與Sato等學(xué)者，巧妙地將MRF在圖像分割中的精髓應用于3D激光點(diǎn)云數據的處理中，創(chuàng )新性地提出了G2DRR（Graph-based 2D Road Representation）算法，專(zhuān)注于路面識別，并依托Velodyne HDL-64e激光雷達進(jìn)行了實(shí)證檢驗。馬爾可夫隨機場(chǎng)的精心構建與信念的高效傳播，G2DRR算法首先施展其獨特魅力，將繁復的3D激光點(diǎn)云輕盈地投射至水平面，隨后將這些點(diǎn)云精心劃分為細密的網(wǎng)格體系。在此基礎上，算法作出一個(gè)關(guān)鍵性假設：每個(gè)網(wǎng)格的歸屬類(lèi)別，深受其鄰近網(wǎng)格的影響，而與遠方網(wǎng)格則保持相對獨立。這一精妙設定，使得整張網(wǎng)格地圖自然而然地蛻變?yōu)橐蛔R爾可夫隨機場(chǎng)，并通過(guò)無(wú)向圖G=(V,E)這一數學(xué)語(yǔ)言得以?xún)?yōu)雅表達。
在過(guò)去的三十年間，基于高程地圖的地面點(diǎn)云分割網(wǎng)格地圖技術(shù)已成為機器人導航、路徑規劃、障礙物檢測與跟蹤等多個(gè)領(lǐng)域的核心工具。Elfes的占用柵格地圖與Bares的高程地圖作為該技術(shù)中的佼佼者，展現了廣泛的應用潛力。占用柵格地圖巧妙地將復雜的3D環(huán)境簡(jiǎn)化為規則的2D網(wǎng)格系統，不僅明確了占用、空閑、未知三種環(huán)境狀態(tài)，還通過(guò)概率值精準刻畫(huà)了各網(wǎng)格被物體占據的可能性，為機器人提供了清晰的環(huán)境認知框架。而高程地圖，作為一種創(chuàng )新的2.5D網(wǎng)格表示法，在保留二維網(wǎng)格簡(jiǎn)潔性的同時(shí)，融入了高度信息的豐富層次，包括平均高度、最大/最小高度及高度方差等關(guān)鍵參數。這一特性使得高程地圖在保持較低計算與存儲負擔的同時(shí)，能夠精準實(shí)現3D激光點(diǎn)云中的地面模型構建與地面點(diǎn)精準分割。
另外最近部門(mén)招聘，要求如下：
內外飾數字模型工程師
1、負責內飾全倉數字模型設計工作
2、對內飾零部件有充分了解、IP、門(mén)板、console等零部件
3、負責內飾IP、門(mén)板、座椅、console、頂棚、立柱等零部件的設計工作
4、掌握內飾零部件之間的配合關(guān)系，并完整表達設計意圖。
要求
1、大專(zhuān)及以上學(xué)歷，藝術(shù)設計、工業(yè)設計相關(guān)專(zhuān)業(yè)
2、熟練使用ALIAS軟件
3、 測試A級至少5-8年實(shí)際CAS、A面設計工作經(jīng)驗 測試B級至少3-5年CAS、A面設計工作經(jīng)驗
4、善于團隊合作、有責任心、敢于擔當、工作主動(dòng)積極 |
發(fā)表于 2024-10-11 13:43:16
收藏
頂
踩