Autoware.ai聚类算法在自动驾驶感知中的优化实践

1次阅读

没有评论

共计 1465 个字符，预计需要花费 4 分钟才能阅读完成。

在自动驾驶感知系统中，点云聚类算法的性能至关重要。Autoware.ai 默认的欧式聚类算法在处理高密度点云时，常常面临以下问题：

处理延迟高：城市场景中密集的点云会导致算法处理时间显著增加，影响实时性
内存占用大：传统算法需要保存完整的邻域关系矩阵，在资源受限的嵌入式平台上压力较大
参数固定：静态的邻域半径和最小点数阈值难以适应不同距离和密度的点云区域

常见的点云聚类算法各有特点：

欧式聚类：Autoware 默认方案，实现简单但参数敏感
区域生长：适合连续表面，但对噪声敏感
DBSCAN：基于密度，能自动发现任意形状的簇，适合动态环境

经过实测，我们发现改进版 DBSCAN 在复杂城市场景中综合表现最优：

对噪声点鲁棒性更强
能识别不同尺寸的物体
参数物理意义明确（ε 半径和 MinPts）

传统 DBSCAN 使用固定参数，我们提出基于点云密度的动态调整方法：

// 根据距离动态调整 ε 半径
float adaptiveEpsilon(const pcl::PointXYZ& point) {float distance = sqrt(point.x*point.x + point.y*point.y);
    return base_epsilon * (1 + distance/distance_scale_factor);
}

利用 OpenMP 加速邻域搜索：

#pragma omp parallel for
for(size_t i=0; i<cloud->points.size(); ++i) {if(!processed[i]) {
        std::vector<int> neighbors;
        tree->radiusSearch(cloud->points[i], epsilon, neighbors);
        // ... 聚类处理逻辑
    }
}

关键改造点包括：

将聚类模块独立为 Component
采用 Zero-Copy 传输减少拷贝开销
添加动态参数回调

class ClusterNode : public rclcpp::Node {
public:
    ClusterNode() : Node("cluster_node") {
        // 使用 FP16 加速点云传输
        auto qos = rclcpp::QoS(rclcpp::KeepLast(10))
                   .best_effort()
                   .durability_volatile();
        sub_ = create_subscription<sensor_msgs::msg::PointCloud2>(
            "/points_raw", qos,
            [this](const sensor_msgs::msg::PointCloud2::SharedPtr msg) {processCloud(msg);
            });
    }
};

在 KITTI 07 序列上的测试结果：