0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

自动驾驶激光雷达特征提取

麦辣鸡腿堡 来源:古月居 作者:lovely_yoshin 2023-11-27 18:17 次阅读

2.1 激光雷达时间序列

这一帧数据中点的排列顺序为从最高的线束到最低的线束进行排列,每条线束之间点按逆时针的顺序排列。

目前大部分主流激光雷达应该都可以直接在点云中提供每个点对应的扫描线已经时间戳,所以其实可以不用这种粗略的方法来进行计算。

template <typename PointType>void sortPointCloudByScanLine(boost::shared_ptr<pcl::PointCloud<PointType>>& src_cloud_ptr,                              std::vector<boost::shared_ptr<pcl::PointCloud<PointType>>>& dst_cloud_ptr_vec) {    const int N_SCAN = 64;    dst_cloud_ptr_vec.resize(N_SCAN);    dst_cloud_ptr_vec.clear();    PointType pt;    int line_id;    for (int i = 0; i < src_cloud_ptr->points.size(); ++i) {        pt      = src_cloud_ptr->points[i];        line_id = 0;        double elevation_angle = std::atan2(pt.z, std::sqrt(pt.x * pt.x + pt.y * pt.y)) / M_PI * 180.0;        // adapt from a-loam        if (elevation_angle >= -8.83)            line_id = int((2 - elevation_angle) * 3.0 + 0.5);        else            line_id = 64 / 2 + int((-8.83 - elevation_angle) * 2.0 + 0.5);        if (elevation_angle > 2 || elevation_angle < -24.33 || line_id > 63 || line_id < 0) {            continue;        }        if (dst_cloud_ptr_vec[line_id] == nullptr)            dst_cloud_ptr_vec[line_id] = boost::make_shared<pcl::PointCloud<PointType>>();        dst_cloud_ptr_vec[line_id]->points.push_back(pt);    }}

2.2 三维激光雷达压缩成二维

void filterGroundPlane(const PCLPointCloud& pc, PCLPointCloud& ground, PCLPointCloud& nonground) const{  ground.header = pc.header;  nonground.header = pc.header;  if (pc.size() < 50){    ROS_WARN("Pointcloud in OctomapServer too small, skipping ground plane extraction");    nonground = pc;  } else {      // https://blog.csdn.net/weixin_41552975/article/details/120428619    // 指模型参数,如果是平面的话应该是指a b c d四个参数值    pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);    pcl::PointIndices::Ptr inliers (new pcl::PointIndices);    // 创建分割对象    pcl::SACSegmentation<PCLPoint> seg;    //可选设置    seg.setOptimizeCoefficients (true);    //必须设置    seg.setModelType(pcl::SACMODEL_PERPENDICULAR_PLANE);    seg.setMethodType(pcl::SAC_RANSAC);    // 设置迭代次数的上限    seg.setMaxIterations(200);    // 设置距离阈值    seg.setDistanceThreshold (0.04);    //设置所搜索平面垂直的轴     seg.setAxis(Eigen::Vector3f(0,0,1));    //设置待检测的平面模型和上述轴的最大角度    seg.setEpsAngle(0.15);    // pc 赋值    PCLPointCloud cloud_filtered(pc);    //创建滤波器    pcl::ExtractIndices<PCLPoint> extract;    bool groundPlaneFound = false;    while(cloud_filtered.size() > 10 && !groundPlaneFound){         // 所有点云传入,并通过coefficients提取到所有平面      seg.setInputCloud(cloud_filtered.makeShared());      seg.segment (*inliers, *coefficients);      if (inliers->indices.size () == 0){        ROS_INFO("PCL segmentation did not find any plane.");        break;      }      //输入要滤波的点云      extract.setInputCloud(cloud_filtered.makeShared());      //被提取的点的索引集合      extract.setIndices(inliers);      if (std::abs(coefficients->values.at(3)) < 0.07){        ROS_DEBUG("Ground plane found: %zu/%zu inliers. Coeff: %f %f %f %f", inliers->indices.size(), cloud_filtered.size(),                  coefficients->values.at(0), coefficients->values.at(1), coefficients->values.at(2), coefficients->values.at(3));        //true:滤波结果取反,false,则是取正        extract.setNegative (false);        //获取地面点集合,并传入ground        extract.filter (ground);        // 存在有不是平面的点        if(inliers->indices.size() != cloud_filtered.size()){          extract.setNegative(true);          PCLPointCloud cloud_out;          // 传入cloud_out          extract.filter(cloud_out);          // 不断减少cloud_filtered数目,同时累加nonground数目          cloud_filtered = cloud_out;          nonground += cloud_out;        }        groundPlaneFound = true;      } else{ // 否则提取那些不是平面的,然后剩下的就是平面点        ROS_DEBUG("Horizontal plane (not ground) found: %zu/%zu inliers. Coeff: %f %f %f %f", inliers->indices.size(), cloud_filtered.size(),                  coefficients->values.at(0), coefficients->values.at(1), coefficients->values.at(2), coefficients->values.at(3));        pcl::PointCloud<PCLPoint> cloud_out;        extract.setNegative (false);        extract.filter(cloud_out);        nonground +=cloud_out;        if(inliers->indices.size() != cloud_filtered.size()){          extract.setNegative(true);          cloud_out.points.clear();          extract.filter(cloud_out);          cloud_filtered = cloud_out;        } else{          cloud_filtered.points.clear();        }      }    }    // 由于没有找到平面,则会进入下面    if (!groundPlaneFound){      ROS_WARN("No ground plane found in scan");      // 对高度进行粗略调整,以防止出现虚假障碍物      pcl::PassThrough<PCLPoint> second_pass;      second_pass.setFilterFieldName("z");      second_pass.setFilterLimits(-m_groundFilterPlaneDistance, m_groundFilterPlaneDistance);      second_pass.setInputCloud(pc.makeShared());      second_pass.filter(ground);      second_pass.setFilterLimitsNegative (true);      second_pass.filter(nonground);    }    // Create a set of planar coefficients with X=Y=0,Z=1    pcl::ModelCoefficients::Ptr coefficients1(new pcl::ModelCoefficients());    coefficients1->values.resize(4);    coefficients1->values[0] = 1;    coefficients1->values[1] = 0;    coefficients1->values[2] = 0;    coefficients1->values[3] = 0;    // Create the filtering object    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_projected(new pcl::PointCloud<pcl::PointXYZ>);    pcl::ProjectInliers<pcl::PointXYZ> proj;    proj.setModelType(pcl::SACMODEL_PLANE);    proj.setInputCloud(nonground);    proj.setModelCoefficients(coefficients1);    proj.filter(*cloud_projected);    if (cloud_projected.size() > 0)             writer.write<PCLPoint>("cloud_projected.pcd",cloud_projected, false);  }}

2.3 面特征提取

PCL中Sample——consensus模块提供了RANSAC平面拟合模块。

SACMODEL_PLANE 模型:定义为平面模型,共设置四个参数 [normal_x,normal_y,normal_z,d]。其中,(normal_x,normal_y,normal_z)为平面法向量 ( A , B , C )d 为常数项D

//创建分割时所需要的模型系数对象,coefficients及存储内点的点索引集合对象inliers    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);    // 创建分割对象    pcl::SACSegmentation<pcl::PointXYZ> seg;    // 可选择配置,设置模型系数需要优化    seg.setOptimizeCoefficients(true);    // 必要的配置,设置分割的模型类型,所用的随机参数估计方法,距离阀值,输入点云    seg.setModelType(pcl::SACMODEL_PLANE); //设置模型类型    seg.setMethodType(pcl::SAC_RANSAC);    //设置随机采样一致性方法类型    seg.setDistanceThreshold(0.01);        //设定距离阀值,距离阀值决定了点被认为是局内点是必须满足的条件                                           //表示点到估计模型的距离最大值,    seg.setInputCloud(cloud);    //引发分割实现,存储分割结果到点几何inliers及存储平面模型的系数coefficients    seg.segment(*inliers, *coefficients);

2.4圆柱体提取

圆柱体的提取也是基于Ransec来实现提取,RANSAC从样本中随机抽选出一个样本子集,使用最小方差估计算法对这个子集计算模型参数,然后计算所有样本与该模型的偏差。

再使用一个预先设定好的阈值与偏差比较,当偏差小于阈值时,该样本点属于模型内样本点(inliers),简称内点,否则为模型外样本点(outliers),简称外点。

cout << "- >正在计算法线..." << endl;    pcl::NormalEstimation<PointT, pcl::Normal> ne;    // 创建法向量估计对象    pcl::search::KdTree<PointT>::Ptr tree(new pcl::search::KdTree<PointT>());    ne.setSearchMethod(tree);                        // 设置搜索方式    ne.setInputCloud(cloud);                        // 设置输入点云    ne.setKSearch(50);                                // 设置K近邻搜索点的个数    pcl::PointCloud<pcl::Normal>::Ptr cloud_normals(new pcl::PointCloud<pcl::Normal>);    ne.compute(*cloud_normals);                        // 计算法向量,并将结果保存到cloud_normals中    //=====================================================================    //----------------------------圆柱体分割--------------------------------    cout << "- >正在圆柱体分割..." << endl;    pcl::SACSegmentationFromNormals<PointT, pcl::Normal> seg;        // 创建圆柱体分割对象    seg.setInputCloud(cloud);                                        // 设置输入点云:待分割点云    seg.setOptimizeCoefficients(true);                                // 设置对估计的模型系数需要进行优化    seg.setModelType(pcl::SACMODEL_CYLINDER);                        // 设置分割模型为圆柱体模型    seg.setMethodType(pcl::SAC_RANSAC);                                // 设置采用RANSAC算法进行参数估计    seg.setNormalDistanceWeight(0.1);                                // 设置表面法线权重系数    seg.setMaxIterations(10000);                                    // 设置迭代的最大次数    seg.setDistanceThreshold(0.05);                                    // 设置内点到模型距离的最大值    seg.setRadiusLimits(3.0, 4.0);                                    // 设置圆柱模型半径的范围    seg.setInputNormals(cloud_normals);                                // 设置输入法向量    pcl::PointIndices::Ptr inliers_cylinder(new pcl::PointIndices);    // 保存分割结果    pcl::ModelCoefficients::Ptr coefficients_cylinder(new pcl::ModelCoefficients);    // 保存圆柱体模型系数    seg.segment(*inliers_cylinder, *coefficients_cylinder);            // 执行分割,将分割结果的索引保存到inliers_cylinder中,同时存储模型系数coefficients_cylinder    cout << "ntt-----圆柱体系数-----" << endl;    cout << "轴线一点坐标:(" << coefficients_cylinder->values[0] << ", "        << coefficients_cylinder->values[1] << ", "        << coefficients_cylinder->values[2] << ")"        << endl;    cout << "轴线方向向量:(" << coefficients_cylinder->values[3] << ", "        << coefficients_cylinder->values[4] << ", "        << coefficients_cylinder->values[5] << ")"        << endl;    cout << "圆柱体半径:" << coefficients_cylinder->values[6] << endl;

2.5 半径近邻

半径内近邻搜索(Neighbors within Radius Search),是指搜索点云中一点在球体半径 R内的所有近邻点。

pcl::KdTreeFLANN<pcl::PointXYZ>kdtree;        //创建kdtree对象    kdtree.setInputCloud(cloud);                //设置搜索空间    pcl::PointXYZ searchPoint;                    //定义查询点    searchPoint = cloud->points[0];    cout << "- >查询点坐标为:" << searchPoint << endl;    float R = 0.1;                                //设置搜索半径大小    vector<int> pointIdxRadiusSearch;            //存储近邻索引    vector<float> pointRadiusSquaredDistance;    //存储近邻对应的平方距离    cout << "n- >正在进行半径R邻域近邻搜索..." << endl << endl;    if (kdtree.radiusSearch(searchPoint, R, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0)    {        //打印所有近邻点坐标,方式2        for (size_t i = 0; i < pointIdxRadiusSearch.size(); ++i)        {            cout << "第" << i + 1 << "个近邻点:"                << cloud->points[pointIdxRadiusSearch[i]]                << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << endl;        }    }    else    {        PCL_ERROR("未搜索到邻近点!an");    }

2.6 聚类

首先选取种子点,利用kd-tree对种子点进行半径r邻域搜索,若邻域内存在点,则与种子点归为同一聚类簇Q;

pcl::search::KdTree&lt;PointT&gt;::Ptr tree(new pcl::search::KdTree&lt;PointT&gt;);    // 创建kd树    tree-&gt;setInputCloud(cloud);    vector&lt;pcl::PointIndices&gt; cluster_indices;    pcl::EuclideanClusterExtraction&lt;PointT&gt; ec;    ec.setClusterTolerance(0.2);    //设置近邻搜索的半径    ec.setMinClusterSize(200);        //设置最小聚类点数    ec.setMaxClusterSize(999999);    //设置最大聚类点数    ec.setSearchMethod(tree);    ec.setInputCloud(cloud);    ec.extract(cluster_indices);    /// 执行欧式聚类分割,并保存分割结果    int j = 0;    for (vector< pcl::PointIndices >::const_iterator it = cluster_indices.begin(); it != cluster_indices.end(); ++it)    {        PointCloudT::Ptr cloud_cluster(new PointCloudT);        for (vector< int >::const_iterator pit = it- >indices.begin(); pit != it- >indices.end(); pit++)        {            cloud_cluster- >points.push_back(cloud- >points[*pit]);        }        /*cloud_cluster-&gt;width = cloud_cluster-&gt;points.size();        cloud_cluster-&gt;height = 1;        cloud_cluster-&gt;is_dense = true;*/        stringstream ss;        ss &lt;&lt; "tree_" &lt;&lt; j + 1 &lt;&lt; ".pcd";        pcl::io::savePCDFileBinary(ss.str(), *cloud_cluster);        cout &lt;&lt; "- >" &lt;&lt; ss.str() &lt;&lt; "详情:" &lt;&lt; endl;        cout &lt;&lt; *cloud_cluster &lt;&lt; endl;        j++;    }

2.7 区域生长

区域生长的基本思想是将具有相似性质的点集合起来构成区域。

首先对每个需要分割的区域找出一个种子作为生长的起点,然后将种子周围邻域中与种子有相同或相似性质的点(根据事先确定的生长或相似准则来确定,多为法向量、曲率)归并到种子所在的区域中。

cout &lt;&lt; "- >正在估计点云法线..." &lt;&lt; endl;    pcl::NormalEstimation&lt;pcl::PointXYZ, pcl::Normal&gt; ne;                                    //创建法线估计对象ne    pcl::search::Search&lt;pcl::PointXYZ&gt;::Ptr tree(new pcl::search::KdTree&lt;pcl::PointXYZ&gt;);    //设置搜索方法    pcl::PointCloud &lt;pcl::Normal&gt;::Ptr normals(new pcl::PointCloud &lt;pcl::Normal&gt;);            //存放法线    ne.setSearchMethod(tree);    ne.setInputCloud(cloud);    ne.setKSearch(20);    ne.compute(*normals);    //========================================================================    //------------------------------- 区域生长 -------------------------------    cout &lt;&lt; "- >正在进行区域生长..." &lt;&lt; endl;    pcl::RegionGrowing&lt;pcl::PointXYZ, pcl::Normal&gt; rg;    //创建区域生长分割对象    rg.setMinClusterSize(50);                            //设置满足聚类的最小点数    rg.setMaxClusterSize(99999999);                        //设置满足聚类的最大点数    rg.setSearchMethod(tree);                            //设置搜索方法    rg.setNumberOfNeighbours(30);                        //设置邻域搜索的点数    rg.setInputCloud(cloud);                            //设置输入点云    rg.setInputNormals(normals);                        //设置输入点云的法向量    rg.setSmoothnessThreshold(3.0 / 180.0 * M_PI);        //设置平滑阈值,弧度,用于提取同一区域的点    rg.setCurvatureThreshold(1.0);                        //设置曲率阈值,如果两个点的法线偏差很小,则测试其曲率之间的差异。如果该值小于曲率阈值,则该算法将使用新添加的点继续簇的增长    vector&lt;pcl::PointIndices&gt; clusters;                    //聚类索引向量    rg.extract(clusters);                                //获取聚类结果,并保存到索引向量中    cout &lt;&lt; "- >聚类个数为" &lt;&lt; clusters.size() &lt;&lt; endl;

2.8 线特征拟合

一般线特征拟合的方式前提是先要滤除不必要的点,而这个就需要使用K-D tree来先实现搜索

pcl::SampleConsensusModelLine&lt;pcl::PointXYZ&gt;::Ptr model_line(new pcl::SampleConsensusModelLine&lt;pcl::PointXYZ&gt;(cloud));    //指定拟合点云与几何模型    pcl::RandomSampleConsensus&lt;pcl::PointXYZ&gt; ransac(model_line);    //创建随机采样一致性对象    ransac.setDistanceThreshold(0.01);    //内点到模型的最大距离    ransac.setMaxIterations(1000);        //最大迭代次数    ransac.computeModel();                //执行RANSAC空间直线拟合    vector&lt;int&gt; inliers;                //存储内点索引的向量    ransac.getInliers(inliers);            //提取内点对应的索引    /// 根据索引提取内点    pcl::PointCloud< pcl::PointXYZ >::Ptr cloud_line(new pcl::PointCloud< pcl::PointXYZ >);    pcl::copyPointCloud< pcl::PointXYZ >(*cloud, inliers, *cloud_line);    /// 模型参数    Eigen::VectorXf coefficient;    ransac.getModelCoefficients(coefficient);    cout &lt;&lt; "直线点向式方程为:n"        &lt;&lt; "   (x - " &lt;&lt; coefficient[0] &lt;&lt; ") / " &lt;&lt; coefficient[3]        &lt;&lt; " = (y - " &lt;&lt; coefficient[1] &lt;&lt; ") / " &lt;&lt; coefficient[4]        &lt;&lt; " = (z - " &lt;&lt; coefficient[2] &lt;&lt; ") / " &lt;&lt; coefficient[5];

2.9 点特征提取

点特征的提取和线特征的提取原理一样

pcl::HarrisKeypoint3D< pcl::PointXYZ, pcl::PointXYZI, pcl::Normal >
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 激光雷达
    +关注

    关注

    967

    文章

    3937

    浏览量

    189564
  • 线束
    +关注

    关注

    7

    文章

    971

    浏览量

    25937
  • 自动驾驶
    +关注

    关注

    783

    文章

    13674

    浏览量

    166097
收藏 人收藏

    评论

    相关推荐

    浅析自动驾驶发展趋势,激光雷达是未来?

    的一部分。鉴于目前激光雷达的高成本,摄像头配合高精度地图是另一种较低成本的技术路线。除了与高精度地图配合为自动驾驶提供定位服务,摄像头还可以在地图采集过程中作为低成本且数据传输量小(摄像头捕捉的是小尺寸
    发表于 09-06 11:36

    激光雷达自动驾驶不可或缺的传感器

    `激光雷达自动驾驶不可或缺的传感器2015 年,当时业界还在争论:无人驾驶是该用激光雷达还是用摄像头。到 2016 年,事情发生很大的转变,尤其某汽车公司 Autopilot 致死事
    发表于 09-08 17:24

    激光雷达-无人驾驶汽车的必争之地

    ;通用则更为夸张,不仅收购了能够提供无人驾驶解决方案的Cruise,还收购了激光雷达制造公司Strobe,同时自己还有了自动驾驶运营平台,实现了软件(技术)+硬件+平台的全方位涉及;福特和百度也共同
    发表于 10-20 15:49

    成熟的无人驾驶方案离不开激光雷达

    开发的全自动驾驶交通工具都依赖激光探测和测距技术(激光雷达)来感知世界并绘制地图。这些地图为无人驾驶汽车提供重要信息,利用其传感系统和计算系统重点关注汽车、行人和自行车等障碍物的信息。
    发表于 10-23 17:51

    即插即用的自动驾驶LiDAR感知算法盒子 RS-Box

    ,即可快速、无缝地将激光雷达感知模块嵌入到自己的无人驾驶方案中,真正实现“一键获得自动驾驶激光雷达环境感知能力”。RS-BoxLiDAR感知算法专业硬件平台RS-Box 由嵌入式硬件平
    发表于 12-15 14:20

    北醒固态设计激光雷达

    围绕LR30进行感知环境,精确建图和定位导航的功能研发,以实现低速自动驾驶辅助和封闭园区自动驾驶。二、已量产的固态激光雷达CE30-D当其他公司展位摆放着《样品预约测试表》的时候,北醒的展台上已经
    发表于 01-25 09:36

    北醒固态激光雷达

    围绕LR30进行感知环境,精确建图和定位导航的功能研发,以实现低速自动驾驶辅助和封闭园区自动驾驶。二、已量产的固态激光雷达CE30-D当其他公司展位摆放着《样品预约测试表》的时候,北醒的展台上已经
    发表于 01-25 09:38

    固态设计激光雷达

    围绕LR30进行感知环境,精确建图和定位导航的功能研发,以实现低速自动驾驶辅助和封闭园区自动驾驶。二、已量产的固态激光雷达CE30-D当其他公司展位摆放着《样品预约测试表》的时候,北醒的展台上已经
    发表于 01-25 09:41

    从光电技术角度解析自动驾驶激光雷达

    激光雷达)、电子技术和人工智能的进步,使数十种先进的驾驶员辅助系统(ADAS)得以实现,包括防撞、盲点监测、车道偏离预警和停车辅助等。通过传感器融合实现这些系统的同步运行,可以让完全自动驾驶的车辆监视
    发表于 09-10 14:10

    自动驾驶激光雷达新型探测器:近红外MPPC

    #什么是激光雷达?如今,"激光雷达"已不是什么陌生的概念了,特别是随着自动驾驶的热潮,它也备受瞩目。 激光雷达实际上是一种工作在光学波段(近红外)的
    发表于 09-10 14:21

    激光雷达成为自动驾驶门槛,陶瓷基板岂能袖手旁观

    `科技的进步日新月异,要数在汽车圈子里最火热的词汇,自动驾驶辅助系统一定是位居榜单前列的,而自动驾驶中核心的硬件之一—激光雷达,也是屡屡被各家车企送上热搜榜单,成为了业界内关注的重心。激光雷达
    发表于 03-18 11:14

    谈一谈自动驾驶激光雷达

    激光雷达是如何产生的?激光雷达自动驾驶领域有什么作用?
    发表于 06-17 07:31

    自动驾驶系统设计及应用的相关资料分享

    作者:余贵珍、周彬、王阳、周亦威、白宇目录第一章 自动驾驶系统概述1.1 自动驾驶系统架构1.1.1 自动驾驶系统的三个层级1.1.2 自动驾驶系统的基本技术架构1.2
    发表于 08-30 08:36

    激光雷达如何助力自动驾驶

    目前,根据企业下游应用领域的分布显示,自动驾驶激光雷达应用最多的领域之一。业界普遍认为,激光雷达是解决高级别自动驾驶量产落地的关键所在,因此除特斯拉外,几乎全球主要汽车制造商和
    发表于 08-17 15:11 2621次阅读

    自动驾驶激光雷达预处理/特征提取

    0. 简介 激光雷达作为自动驾驶最常用的传感器,经常需要使用激光雷达来做建图、定位和感知等任务。而这时候使用降低点云规模的预处理方法,可以能够去除无关区域的点以及降低点云规模。并能够给后续的PCL点
    发表于 06-06 10:07 2次下载
    <b class='flag-5'>自动驾驶</b>之<b class='flag-5'>激光雷达</b>预处理/<b class='flag-5'>特征提取</b>