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

jinchanchanwaji

本章深入探索3D激光點(diǎn)云的聚類算法，作為機(jī)器學(xué)習(xí)中的核心任務(wù)之一，聚類旨在依據(jù)特定規(guī)則將數(shù)據(jù)劃分為不同集合，促使相似數(shù)據(jù)聚合，非相似數(shù)據(jù)分離。在機(jī)器人與無人車領(lǐng)域，3D激光點(diǎn)云的聚類分割技術(shù)尤為關(guān)鍵，特別是在深度學(xué)習(xí)驅(qū)動(dòng)的目標(biāo)檢測(cè)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(xù)目標(biāo)檢測(cè)、跟蹤等模塊的性能。聚類分割不僅獨(dú)立承擔(dān)重要角色，還與3D目標(biāo)檢測(cè)模塊相輔相成，顯著降低目標(biāo)遺漏的風(fēng)險(xiǎn)。聚類作為無監(jiān)督學(xué)習(xí)算法的優(yōu)勢(shì)——無需預(yù)設(shè)類別，僅憑數(shù)據(jù)間的相似性進(jìn)行劃分，輔助系統(tǒng)判斷環(huán)境狀態(tài)，如障礙物識(shí)別與路徑規(guī)劃。鑒于多線束激光雷達(dá)生成的海量點(diǎn)云數(shù)據(jù)（每幀可達(dá)數(shù)萬至數(shù)十萬點(diǎn)），傳統(tǒng)聚類算法（如DBSCAN、Mean Shift）直接處理時(shí)面臨計(jì)算量大、難以滿足實(shí)時(shí)性需求的挑戰(zhàn)。因此，研究者們普遍采用降維或體素化等技術(shù)手段，以優(yōu)化點(diǎn)云表示與存儲(chǔ)方式，減少算法的計(jì)算負(fù)擔(dān)與空間占用。本章基于現(xiàn)有技術(shù)分析，將相關(guān)算法歸納為三大類別：
        1、 基于網(wǎng)格/體素的點(diǎn)云聚類分割：在第五章中，我們已探討過將3D激光點(diǎn)云投影至2D網(wǎng)格以實(shí)現(xiàn)地面與非地面點(diǎn)云的分離。此類方法因技術(shù)開銷小、實(shí)時(shí)性強(qiáng)，在機(jī)器人與無人車領(lǐng)域早期研究中廣受歡迎。例如，DARPA城市挑戰(zhàn)賽中的多數(shù)團(tuán)隊(duì)便采用了網(wǎng)格地圖技術(shù)。Douillard等通過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，而Himmelsbach等則結(jié)合2D柵格地圖與3D體素網(wǎng)格的高度差信息實(shí)現(xiàn)聚類，均展示了良好的應(yīng)用效果。
        2、基于圍模型的點(diǎn)云聚類：在圖論框架下實(shí)現(xiàn)數(shù)據(jù)聚類劃分，已成為聚類分析領(lǐng)域的璀璨明珠，諸多經(jīng)典算法如譜聚類與受限拉普拉斯秩聚類等，均彰顯了其深遠(yuǎn)影響。在此背景下，探索者們正積極將此類算法應(yīng)用于3D激光點(diǎn)云的聚類分割難題中，力求突破。Klasing團(tuán)隊(duì)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(duì)3D激光點(diǎn)云的聚類算法。該算法將點(diǎn)云數(shù)據(jù)映射為圖G(U,E)，其中U代表節(jié)點(diǎn)（即激光點(diǎn)），E則連接著滿足特定距離閾值r的點(diǎn)對(duì)，形成邊集。通過精細(xì)調(diào)控點(diǎn)間距離d與閾值r的關(guān)系，實(shí)現(xiàn)了點(diǎn)云中聚類結(jié)構(gòu)的精準(zhǔn)劃分。而Moosmann等學(xué)者，則另辟蹊徑，針對(duì)機(jī)械旋轉(zhuǎn)激光雷達(dá)的掃描特性，采用無向圖模型來描繪3D激光點(diǎn)云。在他們的無向圖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(jié)點(diǎn)相連，這些節(jié)點(diǎn)分別來自同一線束的左右兩側(cè)，以及不同線束但偏航角相同的前后位置。這一設(shè)計(jì)不僅深刻捕捉了點(diǎn)云數(shù)據(jù)的空間結(jié)構(gòu)特征，還為后續(xù)的聚類分析奠定了堅(jiān)實(shí)基礎(chǔ)。
        3、基于深度圖的點(diǎn)云聚類：第5章詳盡闡述了深度圖的精髓及其構(gòu)建機(jī)制。深度圖以其獨(dú)特的方式，將繁復(fù)的3D激光點(diǎn)云凝練為直觀的圖像形式，其構(gòu)建與索引過程既簡便又高效，尤為可貴的是，它能精準(zhǔn)保留激光點(diǎn)的距離精髓。正因此，基于深度圖的點(diǎn)云聚類分割技術(shù)，在該領(lǐng)域內(nèi)占據(jù)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(zhuǎn)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
        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(zhuǎn)化為深度圖，并引入角度閾值作為約束條件，結(jié)合BFS算法在深度圖領(lǐng)域內(nèi)進(jìn)行搜索，實(shí)現(xiàn)了點(diǎn)云的精準(zhǔn)聚類分割。此算法設(shè)計(jì)精妙，無需構(gòu)建復(fù)雜的三維點(diǎn)云樹或索引，確保了高實(shí)時(shí)性處理能力。在I5 5200U 2.2GHz CPU平臺(tái)上，針對(duì)32線激光點(diǎn)云數(shù)據(jù)，該算法展現(xiàn)出卓越性能，平均運(yùn)行頻率高達(dá)74至250Hz。作為深度圖應(yīng)用于點(diǎn)云聚類領(lǐng)域的先驅(qū)探索，該算法為后續(xù)研究奠定了堅(jiān)實(shí)基礎(chǔ)，并產(chǎn)生了深遠(yuǎn)影響。其開源代碼現(xiàn)已發(fā)布于GitHub，供全球開發(fā)者學(xué)習(xí)與應(yīng)用。Bogoslavskyi算法的核心策略精妙地融合了地面點(diǎn)云的精準(zhǔn)分割與非地面點(diǎn)云的高效聚類。
基于掃描線分割的 SLR聚類算法
        2017年，美國明尼蘇達(dá)大學(xué)的Zermas與德爾福汽車公司的Izzat等人在ICRA會(huì)議上推出了創(chuàng)新的3D激光點(diǎn)云聚類算法——SLR（Scan Line Run）。該算法巧妙融合了機(jī)械旋轉(zhuǎn)式激光雷達(dá)的掃描特性，專注于每條掃描線的點(diǎn)云數(shù)據(jù)，借鑒圖像處理中的連通區(qū)域標(biāo)記技術(shù)，在深度圖層面逐行實(shí)施點(diǎn)云聚類的精細(xì)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(dá)的一條獨(dú)立掃描線，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，即將掃描線中連續(xù)且鄰近的激光點(diǎn)視為同一集合，并賦予它們共同的類別標(biāo)識(shí)。通過這一方法，算法能夠沿掃描線將點(diǎn)云分割成多個(gè)run，并依據(jù)設(shè)定的距離閾值，跨掃描線進(jìn)行run的合并，最終實(shí)現(xiàn)對(duì)整個(gè)激光點(diǎn)云的高效聚類。SLR算法作為逐線束點(diǎn)云聚類分割的典范，其精髓在于先通過相鄰位置關(guān)系精準(zhǔn)劃分各激光線束內(nèi)的聚類子集，隨后借助距離條件巧妙融合不同線束間的聚類子集。然而，面對(duì)高線束激光雷達(dá)的廣泛應(yīng)用場(chǎng)景，SLR算法因需詳盡計(jì)算三維空間內(nèi)激光點(diǎn)間距離，導(dǎo)致計(jì)算耗時(shí)較長，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
        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(jié)合的方法，巧妙地將3D激光點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為2D表示形式，并借助DBSCAN算法在轉(zhuǎn)換后的深度圖中實(shí)施基于密度連通的聚類分析。這一策略經(jīng)實(shí)驗(yàn)驗(yàn)證，相較于直接在3D空間應(yīng)用DBSCAN，其計(jì)算效率實(shí)現(xiàn)了驚人的飛躍，速度提升高達(dá)572.4倍；即便是與基于k-d樹的DBSCAN算法相比，平均計(jì)算速度也實(shí)現(xiàn)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年開創(chuàng)的算法，是密度聚類領(lǐng)域的璀璨明珠。它無需預(yù)設(shè)聚類數(shù)量，通過遍歷數(shù)據(jù)集，自動(dòng)識(shí)別并劃分出高密度區(qū)域作為獨(dú)立聚類，能夠靈活捕捉任意形狀的聚類結(jié)構(gòu)，包括圖6-11所示的復(fù)雜形態(tài)，展現(xiàn)了其卓越的數(shù)據(jù)處理能力。

另外最近部門招聘，要求如下：
內(nèi)外飾數(shù)字模型工程師      
1、負(fù)責(zé)內(nèi)飾全倉數(shù)字模型設(shè)計(jì)工作
2、對(duì)內(nèi)飾零部件有充分了解、IP、門板、console等零部件
3、負(fù)責(zé)內(nèi)飾IP、門板、座椅、console、頂棚、立柱等零部件的設(shè)計(jì)工作
4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達(dá)設(shè)計(jì)意圖。      

要求
1、大專及以上學(xué)歷，藝術(shù)設(shè)計(jì)、工業(yè)設(shè)計(jì)相關(guān)專業(yè)
2、熟練使用ALIAS軟件
3、 測(cè)試A級(jí)至少5-8年實(shí)際CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn) 測(cè)試B級(jí)至少3-5年CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn)
4、善于團(tuán)隊(duì)合作、有責(zé)任心、敢于擔(dān)當(dāng)、工作主動(dòng)積極

有意者戳汽車造型/產(chǎn)品設(shè)計(jì)師社會(huì)招聘-表單-金數(shù)據(jù) (jsj.top)