共计 2049 个字符，预计需要花费 6 分钟才能阅读完成。

背景与痛点

点云聚类是自动驾驶感知系统的核心环节，直接影响障碍物检测的准确性。欧几里得聚类通过计算点之间的欧氏距离，将空间上相邻的点归为同一物体。但在实际应用中，开发者常遇到以下问题：

• 过分割：单一物体被拆分成多个小聚类（如卡车货箱和车头分离）
• 欠分割：不同物体被合并（如紧密停放的车辆群）
• 噪声敏感：雨雪、灰尘等环境噪声产生虚假聚类

算法原理

欧几里得聚类的数学表达：

d(p_i,p_j) = \sqrt{(x_i-x_j)^2 + (y_i-y_j)^2 + (z_i-z_j)^2} < ε

其中 ε 为 cluster_tolerance 参数。相比 DBSCAN，它无需密度参数，更适合规则形状的障碍物检测。

（图示：绿色点云通过距离阈值 ε 聚合成独立物体）

代码实战

C++ 实现（ROS2 Humble）

#include <pcl/segmentation/extract_clusters.h>
#include <pcl/kdtree/kdtree.h>

void euclideanCluster(
    const pcl::PointCloud<pcl::PointXYZ>::Ptr& cloud,
    float tolerance = 0.5, 
    int min_size = 20,
    int max_size = 10000) {pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
  tree->setInputCloud(cloud);

  std::vector<pcl::PointIndices> cluster_indices;
  pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
  ec.setClusterTolerance(tolerance); // 单位：米
  ec.setMinClusterSize(min_size);    // 最少点数
  ec.setMaxClusterSize(max_size);    // 最大点数
  ec.setSearchMethod(tree);
  ec.setInputCloud(cloud);
  ec.extract(cluster_indices);

  // 输出聚类结果
  for (const auto& indices : cluster_indices) {pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::copyPointCloud(*cloud, indices, *cluster);
    // 发送到 ROS2 话题...
  }
}

关键参数说明：
| 参数名 | 推荐值 | 作用 |
|——–|——–|——|
| cluster_tolerance | 0.3-1.0m | 距离阈值，越大聚类越宽松 |
| min_cluster_size | 10-50 点 | 过滤噪声形成的小聚类 |
| max_cluster_size | 5000+ 点 | 防止内存溢出 |

性能优化

1. KD-Tree 加速：
2. 使用 pcl::search::KdTree 替代默认线性搜索

3. 构建复杂度 O(n log n)，查询复杂度 O(log n)

4. 多线程处理：

   #pragma omp parallel for
   for (int i = 0; i < cloud->size(); ++i) {// 并行化点云预处理}

5. 体素滤波预处理（Voxel Grid Filter）：

6. 先降采样到 0.1-0.3m 分辨率
7. 可减少 50% 以上计算量

避坑指南

1. 未做坐标变换：
2. 必须将点云统一到车辆坐标系（base_link）

3. 使用 tf2_ros::Buffer 进行坐标转换

4. 忽略地面点过滤：

5. 推荐先使用 pcl::SACSegmentation 移除地面

6. 否则会导致地面点参与聚类

7. 动态物体漏检：

8. 对连续帧做跟踪匹配

9. 使用 autoware_perception_msgs::DynamicObject 消息类型

10. 内存泄漏：

11. 避免在回调函数中频繁 new/delete

12. 使用 std::make_shared 管理点云内存

13. 参数固化：

14. 不同雷达（Velodyne/OUSTER）需重新调参
15. 建议保存为 ROS2 参数文件

延伸思考

• 多雷达适配：
• Velodyne HDL-64E：增大cluster_tolerance（点密度低）

• OUSTER OS1-128：减小阈值（高线数雷达点密集）

• 进阶方案：

• 结合语义分割（如 PointNet++）提升聚类准确性
• 使用 GPU 加速（CUDA 版本的 PCL）

延伸阅读

1. 《Segmentation of 3D Lidar Data in Non-flat Urban Environments》- IEEE 2009
2. 《Real-Time Euclidean Cluster Extraction for Mobile Robots》- IROS 2015
3. 《Autoware on Board: Enabling Autonomous Vehicles》- Springer 2018

验证代码 Jupyter Notebook