Autoware点云聚类技术解析：从算法原理到工程实践

1次阅读

共计 1872 个字符，预计需要花费 5 分钟才能阅读完成。

在自动驾驶感知系统中，点云聚类 (Point Cloud Clustering) 是环境理解的基础环节。通过将无序的激光雷达点云数据分割成具有物理意义的物体簇，为后续的障碍物跟踪、分类提供输入。典型应用场景包括：

障碍物检测：将车辆、行人等动态物体从背景中分离
可行驶区域划分：通过地面点与非地面点的聚类识别道路边界
精细化建模：对路沿、绿化带等静态要素进行几何重构

欧式聚类(Euclidean Cluster Extraction)
原理：基于欧氏距离的连通域分析
复杂度：O(n log n)（使用 KD-Tree 加速时）
适用场景：均匀密度点云、已知尺度目标
DBSCAN(Density-Based Spatial Clustering)
原理：通过核心点 / 边界点定义簇
复杂度：最差 O(n²)，平均 O(n log n)
适用场景：非均匀密度、任意形状目标
区域生长(Region Growing)
原理：基于法线 / 曲率相似性合并
复杂度：O(n)
适用场景：连续表面重建

算法	抗噪性	形状适应性	实时性	内存消耗
欧式聚类	中	差	优	低
DBSCAN	优	优	中	中
区域生长	差	中	优	高

// 降采样处理 (体素网格滤波)
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(raw_cloud);
voxel.setLeafSize(0.1f, 0.1f, 0.1f);  // 10cm 立方体
voxel.filter(*downsampled_cloud);

// 地面去除 (RANSAC 平面拟合)
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.3);  // 地面点阈值
seg.segment(*inliers, *coefficients);

// 创建 KD-Tree 加速搜索
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(no_ground_cloud);

// 欧式聚类参数配置
std::vector<pcl::PointIndices> clusters;
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5);  // 50cm 邻域半径
ec.setMinClusterSize(20);     // 最小点数
ec.setMaxClusterSize(25000);  // 最大点数

// 启动 4 线程并行处理
ec.setSearchMethod(tree);
#pragma omp parallel sections
{
    #pragma omp section
    ec.setInputCloud(no_ground_cloud);
    #pragma omp section
    ec.extract(clusters);
}