激光点云指的是由三维激光雷达设备扫描得到的空间点的数据集，每一个点云都包含了三维坐标（XYZ）和激光反射强度（Intensity），其中强度信息会与目标物表面材质与粗糙度、激光入射角度、激光波长以及激光雷达的能量密度有关。

激光雷达点云的相关参数

点云数据的接收

激光雷达的原始点云数据都会被存放在一个数据包里（pcap）

从数据的内容来看，该型号的激光雷达在垂直方向上（-15° 到 + 15°）有 16 线的激光束，其每帧的数据长度固定为 1248 字节，这些字节包括前 42 字节的前数据包标识、12 组数据包、4 字节时间戳和最后两字节雷达型号参数。

点云数据 (pcd) 的解析

数据包（pcap）中的原始数据需要进一步转换为可被感知技术人员使用的 pcd 格式的数据集。

点云数据的 pcd 格式文件是激光点云的一种存储格式，pcd 文件主要是由笛卡尔坐标 (x,y,z) 和强度值 i 组成的列表，即每个点云都会附带独有的三维坐标系和能量反射强度。

运动畸变补偿

通过 IMU 和轮式里程计（或者直接用 IMU）的方式，推算出 0.1 秒内车是怎么运动的，然后利用运动模型来做运动畸变补偿。

常见的运动畸变补偿的方法：

惯性测量单元（IMU）方法是在 IMU 队列中查找相邻两帧 IMU 的数据，然后通过球面线性插值的方式计算扫描点所在时刻的激光雷达位姿，并应用齐次坐标系变化将两个点云坐标变换至同一坐标系下。

轮式里程计（ODOM）方法是通过求解当前帧激光雷达数据中每个点云对应的坐标系下的里程计位姿后，再根据求得的位姿把每个点云坐标都转化到同一坐标系下（需要转化两次），最后重新封装该帧点云数据。

点云组帧

在激光雷达获取点云数据的过程中，由于受到产品自身系统、待测物体表面及扫描环境等因素的影响，点云数据中会不可避免地夹杂着一些噪点（离群点），需要将其直接剔除或者以平滑的方式进行处理。这些噪点（离群点）会在后续的点云处理环节中（如点云分割、特征提取、点云配准等）让模型结果产生一定的误差。因此，在实际的点云处理流程中，感知人员会对点云进行滤波处理。

感知功能层面的处理

将点云数据分别进行感知和定位层面的处理。

基于传统方法的感知数据处理

（1）地面点云分割

点云数据中会有很大一部分点云属于地面点数据，并呈现出一定的纹理状，这会对后续目标物的点云处理流程产生影响。

一方面，若不将这些地面点云数据进行分割及去除，这些无效的点云数据就会对位于地面上的物体点云数据造成干扰，会降低目标障碍物分割算法的准确性和鲁棒性；另一方面，由于点云数据量过大，这就会增加模型对计算量的需求。

所以，在进行后续工作前，感知算法人员需要先对地面点云进行过滤处理。

几种常用的地面点分割方法：平面栅格法、点云法向量、模型拟合法 - 平面拟合（RANSAC）、面元网格法

（2）目标物的点云分割

在去除掉地面点云后，接下来感知算法人员就需要将目标物点云进行有效地分割、分块，从而便于对目标物进行单独处理，即点云分割。目标障碍物的点云分割是根据空间、几何和纹理等特征对点云进行划分。

几个常用的点云分割方法：基于边缘的方法、基于区域增长的方法、基于属性的方法

（3）目标物聚类分析

在目标物点云分割完后，感知算法人员就需要将点云图中各个已分割的点云聚类成若干个整体，即把具有相似程度较高的点云组成一组，以便降低后续模型的计算量 —— 这个过程就被称为点云聚类。

常见的点云聚类方法：K-means、DBSCAN、欧式聚类、

（4）匹配与跟踪

匹配和跟踪的算法流程是先将目标预测的结果与测量的点云数据计算关联矩阵，然后利用匈牙利算法（其核心原理是寻找增广路径，从而达成最 大匹配）进行匹配关系的确定，最后将点云数据分为匹配上的目标和未匹配上的目标两类，将其分别保存，并为跟踪做准备。

 基于深度学习的感知数据处理

点云在预处理完成后，就直接放入深度学习模型中，或者是先降采样后再放入深度学习模型。

常用的基于深度学习的目标检测方法：

PointNet、

、PointNet++

·      VoxelNet

·      SECOND

·      PointPillar

·      PCT

虽然当前深度学习已经在自动驾驶行业内被广泛应用，但是深度学习在点云数据处理中也会遇到一些挑战。

一方面，点云作为场景中点的位置具有稀疏和非结构化的性质，因此它们的密度和数量都随着场景中对象的变化而变化。另一方面，由于自动驾驶汽车行驶时需要非常快速地做出反应，因此必须实时执行物体检测，而这意味着检测网络必须在两次扫描之间的时间间隔内提供计算结果。

所以，深度学习虽然可用、好用，但不可尽用。

定位功能层面的处理

3.1 特征提取

先提取周边场景的目标物特征，并通过这些特征和所获取到的相对距离信息来建立一个小地图，知道车辆的相对初始位置。

3.2 地图匹配

在提取完周围目标物的特征后，感知算法人员就需要根据这些特征来进行点云地图匹配，来获取各个点云之间的相对位姿。点云地图匹配一般可分为帧间匹配和高精地图匹配。

3.3 位姿优化

通常来说，相对位姿的不准确主要是由于一些不可控因素造成的，如点云被物体遮挡或者激光雷达视场角的限制。点云的位姿优化通过一定的点云坐标系的刚体变化（旋转或平移）来得到最优相对位姿。