《智能駕駛之激光雷達算法詳解》基于 3D 激光點(diǎn)云的聚類(lèi)分割

jinchanchanwaji

本章深入探索3D激光點(diǎn)云的聚類(lèi)算法，作為機器學(xué)習中的核心任務(wù)之一，聚類(lèi)旨在依據特定規則將數據劃分為不同集合，促使相似數據聚合，非相似數據分離。在機器人與無(wú)人車(chē)領(lǐng)域，3D激光點(diǎn)云的聚類(lèi)分割技術(shù)尤為關(guān)鍵，特別是在深度學(xué)習驅動(dòng)的目標檢測與點(diǎn)云分析新方法日益普及的背景下，其精確度直接關(guān)乎后續目標檢測、跟蹤等模塊的性能。聚類(lèi)分割不僅獨立承擔重要角色，還與3D目標檢測模塊相輔相成，顯著(zhù)降低目標遺漏的風(fēng)險。聚類(lèi)作為無(wú)監督學(xué)習算法的優(yōu)勢——無(wú)需預設類(lèi)別，僅憑數據間的相似性進(jìn)行劃分，輔助系統判斷環(huán)境狀態(tài)，如障礙物識別與路徑規劃。鑒于多線(xiàn)束激光雷達生成的海量點(diǎn)云數據（每幀可達數萬(wàn)至數十萬(wàn)點(diǎn)），傳統聚類(lèi)算法（如DBSCAN、Mean Shift）直接處理時(shí)面臨計算量大、難以滿(mǎn)足實(shí)時(shí)性需求的挑戰。因此，研究者們普遍采用降維或體素化等技術(shù)手段，以?xún)?yōu)化點(diǎn)云表示與存儲方式，減少算法的計算負擔與空間占用。本章基于現有技術(shù)分析，將相關(guān)算法歸納為三大類(lèi)別：
        1、 基于網(wǎng)格/體素的點(diǎn)云聚類(lèi)分割：在第五章中，我們已探討過(guò)將3D激光點(diǎn)云投影至2D網(wǎng)格以實(shí)現地面與非地面點(diǎn)云的分離。此類(lèi)方法因技術(shù)開(kāi)銷(xiāo)小、實(shí)時(shí)性強，在機器人與無(wú)人車(chē)領(lǐng)域早期研究中廣受歡迎。例如，DARPA城市挑戰賽中的多數團隊便采用了網(wǎng)格地圖技術(shù)。Douillard等通過(guò)均值高程地圖分離非地面點(diǎn)云后，進(jìn)一步利用體素網(wǎng)格表示并聚類(lèi)，而Himmelsbach等則結合2D柵格地圖與3D體素網(wǎng)格的高度差信息實(shí)現聚類(lèi)，均展示了良好的應用效果。
        2、基于圍模型的點(diǎn)云聚類(lèi)：在圖論框架下實(shí)現數據聚類(lèi)劃分，已成為聚類(lèi)分析領(lǐng)域的璀璨明珠，諸多經(jīng)典算法如譜聚類(lèi)與受限拉普拉斯秩聚類(lèi)等，均彰顯了其深遠影響。在此背景下，探索者們正積極將此類(lèi)算法應用于3D激光點(diǎn)云的聚類(lèi)分割難題中，力求突破。Klasing團隊便是其中的佼佼者，他們巧妙地借助有向圖與RBNN（Radially Bounded Nearest Neighbors）圖的概念，創(chuàng )新性地提出了針對3D激光點(diǎn)云的聚類(lèi)算法。該算法將點(diǎn)云數據映射為圖G(U,E)，其中U代表節點(diǎn)（即激光點(diǎn)），E則連接著(zhù)滿(mǎn)足特定距離閾值r的點(diǎn)對，形成邊集。通過(guò)精細調控點(diǎn)間距離d與閾值r的關(guān)系，實(shí)現了點(diǎn)云中聚類(lèi)結構的精準劃分。而Moosmann等學(xué)者，則另辟蹊徑，針對機械旋轉激光雷達的掃描特性，采用無(wú)向圖模型來(lái)描繪3D激光點(diǎn)云。在他們的無(wú)向圖G(U,E)中，每個(gè)激光點(diǎn)均巧妙地與四個(gè)特定方向的鄰域節點(diǎn)相連，這些節點(diǎn)分別來(lái)自同一線(xiàn)束的左右兩側，以及不同線(xiàn)束但偏航角相同的前后位置。這一設計不僅深刻捕捉了點(diǎn)云數據的空間結構特征，還為后續的聚類(lèi)分析奠定了堅實(shí)基礎。
        3、基于深度圖的點(diǎn)云聚類(lèi)：第5章詳盡闡述了深度圖的精髓及其構建機制。深度圖以其獨特的方式，將繁復的3D激光點(diǎn)云凝練為直觀(guān)的圖像形式，其構建與索引過(guò)程既簡(jiǎn)便又高效，尤為可貴的是，它能精準保留激光點(diǎn)的距離精髓。正因此，基于深度圖的點(diǎn)云聚類(lèi)分割技術(shù)，在該領(lǐng)域內占據了舉足輕重的地位。以德國波恩大學(xué)的Bogoslavskyi與Stachniss為例，他們巧妙地將3D激光點(diǎn)云轉化為深度圖后，借助高效的BFS算法，進(jìn)一步推動(dòng)了該領(lǐng)域的研究進(jìn)展。
基于激光點(diǎn)間角度關(guān)系的聚類(lèi)
        德國波恩大學(xué)的Bogoslavskyi與Stachniss在2016年創(chuàng )新性地提出一種高效算法，該算法巧妙地將3D激光點(diǎn)云轉化為深度圖，并引入角度閾值作為約束條件，結合BFS算法在深度圖領(lǐng)域內進(jìn)行搜索，實(shí)現了點(diǎn)云的精準聚類(lèi)分割。此算法設計精妙，無(wú)需構建復雜的三維點(diǎn)云樹(shù)或索引，確保了高實(shí)時(shí)性處理能力。在I5 5200U 2.2GHz CPU平臺上，針對32線(xiàn)激光點(diǎn)云數據，該算法展現出卓越性能，平均運行頻率高達74至250Hz。作為深度圖應用于點(diǎn)云聚類(lèi)領(lǐng)域的先驅探索，該算法為后續研究奠定了堅實(shí)基礎，并產(chǎn)生了深遠影響。其開(kāi)源代碼現已發(fā)布于GitHub，供全球開(kāi)發(fā)者學(xué)習與應用。Bogoslavskyi算法的核心策略精妙地融合了地面點(diǎn)云的精準分割與非地面點(diǎn)云的高效聚類(lèi)。
基于掃描線(xiàn)分割的 SLR聚類(lèi)算法
        2017年，美國明尼蘇達大學(xué)的Zermas與德?tīng)柛Ｆ��?chē)公司的Izzat等人在ICRA會(huì )議上推出了創(chuàng )新的3D激光點(diǎn)云聚類(lèi)算法——SLR（Scan Line Run）。該算法巧妙融合了機械旋轉式激光雷達的掃描特性，專(zhuān)注于每條掃描線(xiàn)的點(diǎn)云數據，借鑒圖像處理中的連通區域標記技術(shù)，在深度圖層面逐行實(shí)施點(diǎn)云聚類(lèi)的精細分割與智能合并。SLR算法的核心原理在于，它視深度圖的每一行為激光雷達的一條獨立掃描線(xiàn)，而每一列則映射了掃描的不同角度。Zermas等人創(chuàng )新性地定義了“run”概念，即將掃描線(xiàn)中連續且鄰近的激光點(diǎn)視為同一集合，并賦予它們共同的類(lèi)別標識。通過(guò)這一方法，算法能夠沿掃描線(xiàn)將點(diǎn)云分割成多個(gè)run，并依據設定的距離閾值，跨掃描線(xiàn)進(jìn)行run的合并，最終實(shí)現對整個(gè)激光點(diǎn)云的高效聚類(lèi)。SLR算法作為逐線(xiàn)束點(diǎn)云聚類(lèi)分割的典范，其精髓在于先通過(guò)相鄰位置關(guān)系精準劃分各激光線(xiàn)束內的聚類(lèi)子集，隨后借助距離條件巧妙融合不同線(xiàn)束間的聚類(lèi)子集。然而，面對高線(xiàn)束激光雷達的廣泛應用場(chǎng)景，SLR算法因需詳盡計算三維空間內激光點(diǎn)間距離，導致計算耗時(shí)較長(cháng)，實(shí)時(shí)性能受限。
深度圖與DBSCAN融合下的3D點(diǎn)云高效聚類(lèi)
        韓國東國大學(xué)的M. Wen等學(xué)者在2018年創(chuàng )新性地提出了將深度圖與DBSCAN算法相結合的方法，巧妙地將3D激光點(diǎn)云數據轉化為2D表示形式，并借助DBSCAN算法在轉換后的深度圖中實(shí)施基于密度連通的聚類(lèi)分析。這一策略經(jīng)實(shí)驗驗證，相較于直接在3D空間應用DBSCAN，其計算效率實(shí)現了驚人的飛躍，速度提升高達572.4倍；即便是與基于k-d樹(shù)的DBSCAN算法相比，平均計算速度也實(shí)現了約16.89倍的提升。DBSCAN（Density-Based Spatial Clustering of Applications with Noise），這一由德國慕尼黑工業(yè)大學(xué)Ester等人于1996年開(kāi)創(chuàng )的算法，是密度聚類(lèi)領(lǐng)域的璀璨明珠。它無(wú)需預設聚類(lèi)數量，通過(guò)遍歷數據集，自動(dòng)識別并劃分出高密度區域作為獨立聚類(lèi)，能夠靈活捕捉任意形狀的聚類(lèi)結構，包括圖6-11所示的復雜形態(tài)，展現了其卓越的數據處理能力。

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

有意者戳汽車(chē)造型/產(chǎn)品設計師社會(huì )招聘-表單-金數據 (jsj.top)