Autoware实战：基于欧式聚类的激光雷达点云车辆分割与可视化

1次阅读

没有评论

共计 1622 个字符，预计需要花费 5 分钟才能阅读完成。

激光雷达作为自动驾驶的核心传感器，能够提供精确的环境三维点云数据。然而，原始点云数据往往包含大量地面点和噪声，如何高效地从这些数据中分割出车辆等关键障碍物，是自动驾驶感知系统的重要挑战。

点云处理的重要性：直接影响后续的物体识别、跟踪和路径规划等模块的准确性
常见挑战：地面点干扰、点云密度不均、实时性要求高等
解决方案：通常采用地面去除 + 聚类分割的两步处理流程

欧式聚类 (Euclidean Cluster Extraction) 是一种基于空间距离的点云分割方法，特别适合处理激光雷达数据：

核心原理：将空间中距离小于阈值的点归为同一类
应用优势：
实现简单，计算效率高
对物体形状没有先验假设
适合处理车辆等刚性物体

使用 Autoware 中的 ray_ground_filter 节点进行地面去除：

// 地面过滤参数设置
ray_ground_filter.setInputCloud(input_cloud);
ray_ground_filter.setFilterLimits(-1.5, 0.3); // 保留高于地面 0.3m 的点
ray_ground_filter.setFilterFieldName("z");
ray_ground_filter.filter(*non_ground_cloud);

// 1. 创建 KD 树用于最近邻搜索
pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
tree->setInputCloud(non_ground_cloud);

// 2. 欧式聚类参数设置
std::vector<pcl::PointIndices> cluster_indices;
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5); // 聚类距离阈值(米)
ec.setMinClusterSize(50);   // 最小聚类点数

// 3. 执行聚类
ec.setInputCloud(non_ground_cloud);
ec.extract(cluster_indices);

// 4. 为每个聚类创建边界框
for (const auto& indices : cluster_indices) {pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
    // 提取聚类点云...
    // 计算边界框...
}