CMU团队开源算法点云地面分割 terrainAnalysis 代码解析_terrain_analysis坐标系

在CMU团队开源的全套导航系统中，点云的地面分割是在局部路径规划的前提。之前的文章已经对局部路径规划算法做了详细的介绍，包括Matlab用采样的离散点做前向模拟三次样条生成路径点，CMU团队最新开发的局部路径导航算法 localPlanner 代码详解以及如何适用于现实移动机器人。

CMU所提供的点云地面分割算法在其提供的仿真环境下，效果比较明显，可以有效的识别地面与障碍物。
首先还是对参数简单的介绍一下：

double scanVoxelSize = 0.05;						---				点云下采样
double decayTime = 2.0;								---		    	点云时间差阈值 大于则不会被处理		
double noDecayDis = 4.0;							---		    	点云距离阈值 小于该阈值不考虑时间差	
double clearingDis = 8.0;							---		    	该距离外的点会被清除
bool clearingCloud = false;							---		    	清除距离外的点云
bool useSorting = true;
double quantileZ = 0.25;							---		    	考虑地面附近高程最小值会改变
bool considerDrop = false;
bool limitGroundLift = false;
double maxGroundLift = 0.15;
bool clearDyObs = false;
double minDyObsDis = 0.3;
double minDyObsAngle = 0;
double minDyObsRelZ = -0.5;
double minDyObsVFOV = -16.0;
double maxDyObsVFOV = 16.0;
int minDyObsPointNum = 1;
bool noDataObstacle = false;
int noDataBlockSkipNum = 0;
int minBlockPointNum = 10;							---				计算有效高程的最小点云数量
double vehicleHeight = 1.5;							---				车辆的高度
int voxelPointUpdateThre = 100;						---				需要处理的体素网格点云数量最小值
double voxelTimeUpdateThre = 2.0;					---				更新体素网格时间阈值
double minRelZ = -1.5;								---				点云处理的最小高度
double maxRelZ = 0.2;								---				点云处理的最大高度
double disRatioZ = 0.2;								---				点云处理的高度与距离的比例

// terrain voxel parameters
float terrainVoxelSize = 1.0;						---				地形的分辨率
int terrainVoxelShiftX = 0;							---				地形中心与车体的偏移量
int terrainVoxelShiftY = 0;							---				地形中心与车体的偏移量
const int terrainVoxelWidth = 21;					---				地形的宽度
int terrainVoxelHalfWidth = (terrainVoxelWidth - 1) / 2;
const int terrainVoxelNum = terrainVoxelWidth * terrainVoxelWidth;

// planar voxel parameters
float planarVoxelSize = 0.2;						---				平面的分辨率
const int planarVoxelWidth = 51;					---				平面的宽度
int planarVoxelHalfWidth = (planarVoxelWidth - 1) / 2;
const int planarVoxelNum = planarVoxelWidth * planarVoxelWidth;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

和 LocalPlanner 中一样，地形分割所接收到的点云信息同样也是在map坐标系下，因此首先要将其转换到车体坐标系下，即base_link，还包括点云的裁剪。在进行地面分割之前，做了一个点云滚动的操作。如下图所示，紫色的点云为 terrainVoxelCloud 地形，其他彩色则为分割后的结果，可发现其分割的区域并不完全是地形点云。因此猜想，这个点云滚动的操作，可能是为了同步点云和车辆的位置，毕竟点云是在map坐标下下的，比如说因为某些延迟，导致车辆与切割的点云信息存在偏差。当偏差大于 terrainVoxelSize 一个格子大小时，就通过翻滚，将车辆位置与点云位置进行配准。

while (vehicleX - terrainVoxelCenX > terrainVoxelSize) {
  for (int indY = 0; indY < terrainVoxelWidth; indY++) {
    pcl::PointCloud<pcl::PointXYZI>::Ptr terrainVoxelCloudPtr =
        terrainVoxelCloud[indY];
    for (int indX = 0; indX < terrainVoxelWidth - 1; indX++) {
      terrainVoxelCloud[terrainVoxelWidth * indX + indY] =
          terrainVoxelCloud[terrainVoxelWidth * (indX + 1) + indY];
    }
    terrainVoxelCloud[terrainVoxelWidth * (terrainVoxelWidth - 1) +
                      indY] = terrainVoxelCloudPtr;
    terrainVoxelCloud[terrainVoxelWidth * (terrainVoxelWidth - 1) + indY]
        ->clear();
  }
  terrainVoxelShiftX++;
  terrainVoxelCenX = terrainVoxelSize * terrainVoxelShiftX;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

那么关于terrainVoxelCloud 的构建，是一个 terrainVoxelWidth 宽的正方形区域，因为其索引号为非负值，需要将接收到的点云数据，根据距离插入到对应的 Voxel 中。具体的序号计算公式如下，这里对于坐标的取整方式是四舍五入。
$$indX=\frac{point.x-vehicleX}{terrainVoxelSize}+\frac{terrainVoxelSize}{2}$$$$indY=\frac{point.y-vehicleY}{terrainVoxelSize}+\frac{terrainVoxelSize}{2}$$对于每一个点云都需要进行处理，不过对于在车辆左侧或者后侧的序号都要减1，因为此时和坐标值为正时四舍五入计算方式不一样。对于处理后点云序号非负的数据，便加入到地形体素网格点云中。由 terrainVoxelUpdateNum 记录每一个体素网格中存入点云的数量。

int indX = int((point.x - vehicleX + terrainVoxelSize / 2) /
               terrainVoxelSize) + terrainVoxelHalfWidth;
int indY = int((point.y - vehicleY + terrainVoxelSize / 2) /
               terrainVoxelSize) + terrainVoxelHalfWidth;

if (indX >= 0 && indX < terrainVoxelWidth && indY >= 0 && indY < terrainVoxelWidth) {
  terrainVoxelCloud[terrainVoxelWidth * indX + indY]->push_back(point);
  terrainVoxelUpdateNum[terrainVoxelWidth * indX + indY]++;
}
1
2
3
4
5
6
7
8
9

在所有点云都被存入到体素网格内后，对其进行处理。接收到第一帧点云数据为初始系统时间 systemInitTime，点云的强度被设置为激光数据的时间差。

systemInitTime = laserCloudTime;
point.intensity = laserCloudTime - systemInitTime;
1
2

在遍历每一个网格时，仅对格内需要更新的点云数量大于 voxelPointUpdateThre 的网格进行处理。并且与上一次该网格处理的时间差大于 voxelTimeUpdateThre。

if (terrainVoxelUpdateNum[ind] >= voxelPointUpdateThre || 
	laserCloudTime - systemInitTime - terrainVoxelUpdateTime[ind] >= voxelTimeUpdateThre ||
	clearingCloud
	)
1
2
3
4

在体素栅格中，需要被进行地面分割的点云满足以下要求，这些点云会被放入 terrainCloud ，用于地面分割。

1. 点云高度大于最小阈值
2. 点云高度小于最大阈值
3. 当前点云的时间与要处理的点云时间差小于阈值 decayTime，或者距离小于 noDecayDis
4. 此时不会清除距离外的点云，或者不在需要被清除的距离之内

接下来便分割地面并计算每一个点的高程信息。这里又重新创建了一个二维数组用于存放平面点高程，存入的方法和之前一样，不过分辨率从1变成了0.2。除此之外，每一个点云不只放在同一个网格中，而是复制到一个3*3的邻域。

for (int dX = -1; dX <= 1; dX++) {
  for (int dY = -1; dY <= 1; dY++) {
    if (indX + dX >= 0 && indX + dX < planarVoxelWidth && indY + dY >= 0 && indY + dY < planarVoxelWidth) {
      planarPointElev[planarVoxelWidth * (indX + dX) + indY + dY].push_back(point.z);
    }
  }
}
1
2
3
4
5
6
7

在这一个二维数组中，找到该网格内点云高程最小值，作为该体素网格的高程，存入到体素网格 planarVoxelElev 中。此时的 planarVoxelElev 相当于保存了附近点云高程的最小值。

for (int j = 0; j < planarPointElevSize; j++) {
  if (planarPointElev[i][j] < minZ) {
    minZ = planarPointElev[i][j];
    minID = j;
  }
}
1
2
3
4
5
6

之前所做的工作都是为了点云分割，主要是用于地面分割的点云 terrainCloud ，和高程信息 planarVoxelElev ，下面才开始真正的对地面和障碍物进行分割。首先和存入到体素网格的思想一样，将点云信息和高程信息通过索引对应起来。

如果当前点云的高程比附近最小值大，小于车辆的高度，并且计算高程时的点云数量也足够多，就把当前点云放入到地形高程点云中。其中点云的强度为一个相对的高度。

if (planarVoxelDyObs[planarVoxelWidth * indX + indY] < minDyObsPointNum ||!clearDyObs) { // clearDyObs = false
  float disZ = point.z - planarVoxelElev[planarVoxelWidth * indX + indY];
  if (considerDrop) disZ = fabs(disZ); //considerDrop = false;
  int planarPointElevSize = planarPointElev[planarVoxelWidth * indX + indY].size();
  if (disZ >= 0 && disZ < vehicleHeight && planarPointElevSize >= minBlockPointNum) {
    terrainCloudElev->push_back(point);
    terrainCloudElev->points[terrainCloudElevSize].intensity = disZ;
    terrainCloudElevSize++;
  }
}
1
2
3
4
5
6
7
8
9
10

以上就是CMU开源导航算法中的地面分割，所用的思想就是计算当前位置与附近位置最小高程的一个相对高程。这样看来，在一个平滑的坡上效果表现还是可以，也可以改变邻域的大小，不过$3\ast 3$也有0.6m的范围了。

除此之外还有一些其他的参数，例如 noDataObstacle，clearDyObs，useSorting等，默认设置的为 false ，也就不会被执行，也就不再看了。在实际使用时，点云中心与车体中心或者说与激光雷达中心永远保持一致，则不需要通过翻滚配准。因为需要对上一帧翻滚，在源码中也没有对上一帧的点云进行清空，所以在实际使用时需要在主循环中对 terrainVoxelCloud 进行清空，否则会出现重影。可使用如下代码重置点云数据。

for (int i = 0; i < terrainVoxelNum; i++) {
  terrainVoxelCloud[i].reset(new pcl::PointCloud<pcl::PointXYZI>());
}
1
2
3