Autoware项目实战：基于欧式聚类的激光雷达点云车辆分割与可视化

共计 3737 个字符，预计需要花费 10 分钟才能阅读完成。

背景介绍

在自动驾驶系统中，激光雷达（LiDAR）是环境感知的核心传感器之一。它通过发射激光束并接收反射信号，能够获取周围环境的高精度三维点云数据。然而，原始点云数据往往包含大量冗余信息（如地面、植被等），如何从中准确分割出车辆、行人等关键障碍物，是自动驾驶感知模块的重要挑战。

点云分割的主要难点在于：

• 点云数据稀疏且不均匀
• 不同物体之间存在遮挡
• 实时性要求高（通常需要 10Hz 以上的处理频率）
• 复杂环境下的鲁棒性要求

技术方案：欧式聚类算法

欧式聚类（Euclidean Cluster Extraction）是一种基于空间距离的点云分割方法，其核心思想是将空间中距离相近的点归为同一类。算法流程如下：

1. 构建点云的 KD-Tree 结构加速近邻搜索
2. 对每个未处理的点，寻找其邻域内距离小于阈值的所有点
3. 将这些点标记为同一簇，并递归扩展搜索
4. 当无法找到新的邻近点时，完成当前簇的提取
5. 重复上述过程直到所有点都被处理

相比其他分割方法，欧式聚类的优势在于：

• 实现简单，计算效率高
• 对刚体物体（如车辆）分割效果良好
• 参数物理意义明确（主要依赖距离阈值）

实现细节

地面去除

地面点是点云中最大的平面结构，通常使用以下方法去除：

1. 使用 PassThrough 滤波器在 Z 轴方向设置高度阈值，快速去除明显高于地面的点
2. 应用 RANSAC 平面拟合算法检测地面平面
3. 提取并移除所有属于该平面的点

PCL 代码示例：

pcl::PointCloud<pcl::PointXYZ>::Ptr removeGround(pcl::PointCloud<pcl::PointXYZ>::Ptr cloud) {
    // 创建分割对象
    pcl::SACSegmentation<pcl::PointXYZ> seg;
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
    pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);

    seg.setOptimizeCoefficients(true);
    seg.setModelType(pcl::SACMODEL_PLANE);
    seg.setMethodType(pcl::SAC_RANSAC);
    seg.setDistanceThreshold(0.2); // 地面点距离阈值
    seg.setInputCloud(cloud);
    seg.segment(*inliers, *coefficients);

    // 提取非地面点
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>());
    extract.setInputCloud(cloud);
    extract.setIndices(inliers);
    extract.setNegative(true); // 获取非地面点
    extract.filter(*cloud_filtered);

    return cloud_filtered;
}

欧式聚类参数调优

关键参数及其影响：

• 聚类距离阈值（clusterTolerance）：
• 过小会导致同一物体被分割为多个簇
• 过大会导致不同物体被合并

• 建议值：0.3-0.6 米（根据传感器精度调整）

• 最小簇大小（minClusterSize）：

• 过滤噪声点和小物体

• 建议值：20-100 个点

• 最大簇大小（maxClusterSize）：

• 防止超大簇消耗过多资源
• 建议值：25000-50000 个点

RViz 可视化配置

1. 安装 RViz 插件：

   sudo apt-get install ros-$ROS_DISTRO-rviz

2. 添加显示类型：

3. PointCloud2：显示原始点云

4. MarkerArray：显示 Bounding Box

5. 配置话题：

6. 输入点云：/points_raw
7. 输出 Bounding Box：/detection/objects

完整代码示例

#include <pcl/segmentation/extract_clusters.h>
#include <autoware_msgs/DetectedObjectArray.h>

void cloudCallback(const sensor_msgs::PointCloud2ConstPtr& input) {
    // 转换为 PCL 格式
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::fromROSMsg(*input, *cloud);

    // 地面去除
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_no_ground = removeGround(cloud);

    // 创建 KD-Tree
    pcl::search::KdTree<pcl::PointXYZ>::Ptr tree(new pcl::search::KdTree<pcl::PointXYZ>);
    tree->setInputCloud(cloud_no_ground);

    // 欧式聚类
    std::vector<pcl::PointIndices> cluster_indices;
    pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
    ec.setClusterTolerance(0.5); // 50cm
    ec.setMinClusterSize(50);
    ec.setMaxClusterSize(25000);
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud_no_ground);
    ec.extract(cluster_indices);

    // 创建 Bounding Box
    autoware_msgs::DetectedObjectArray objects;
    for (const auto& indices : cluster_indices) {pcl::PointCloud<pcl::PointXYZ>::Ptr cluster(new pcl::PointCloud<pcl::PointXYZ>);
        pcl::copyPointCloud(*cloud_no_ground, indices, *cluster);

        // 计算包围盒
        Eigen::Vector4f centroid;
        pcl::compute3DCentroid(*cluster, centroid);

        autoware_msgs::DetectedObject obj;
        obj.pose.position.x = centroid[0];
        obj.pose.position.y = centroid[1];
        obj.pose.position.z = centroid[2];

        // 发布到 RViz...
        objects.objects.push_back(obj);
    }
    pub_objects.publish(objects);
}

性能优化

处理大规模点云时的优化策略：

1. 降采样 ：使用 VoxelGrid 滤波器减少点云密度

   pcl::VoxelGrid<pcl::PointXYZ> vg;
   vg.setInputCloud(cloud);
   vg.setLeafSize(0.1f, 0.1f, 0.1f); // 10cm 体素
   vg.filter(*cloud_filtered);

2. 多线程处理 ：使用 OpenMP 加速 KD-Tree 构建和邻域搜索

   #pragma omp parallel for
   for (int i = 0; i < cloud->size(); ++i) {// 并行处理}

3. GPU 加速 ：使用 CUDA 版本的 PCL（PCL-GPU）

避坑指南

常见问题及解决方案：

1. 聚类结果不完整 ：
2. 检查地面去除是否过度

3. 适当增大 clusterTolerance

4. 不同物体被合并 ：

5. 减小 clusterTolerance

6. 检查传感器标定是否准确

7. 处理延迟高 ：

8. 启用降采样

9. 优化 KD-Tree 参数（leaf size）

10. RViz 显示异常 ：

11. 检查坐标系设置（通常应为 ”base_link” 或 ”map”）
12. 确认话题名称匹配

扩展思考

当前方案的局限性及改进方向：

1. 动态阈值 ：根据距离自适应调整聚类阈值（远处物体点云更稀疏）
2. 多模态融合 ：结合相机图像进行语义分割，提升分类准确性
3. 时序跟踪 ：加入卡尔曼滤波等跟踪算法，稳定检测结果
4. 深度学习 ：使用 PointNet++ 等网络实现端到端分割

实践建议

1. 从 KITTI 等公开数据集开始练习
2. 使用 Rosbag 记录和回放数据方便调试
3. 逐步调整参数，观察对结果的影响
4. 参考 Autoware 官方文档了解最新 API

学习资源

1. 《点云库 PCL 从入门到精通》
2. Autoware 官方文档：https://autowarefoundation.github.io/
3. PCL 教程：http://pointclouds.org/documentation/tutorials/
4. ROS RViz 教程：http://wiki.ros.org/rviz/Tutorials