点云与自动驾驶

3D点云是一种常见的空间几何结构表达方式，在计算机视觉、机器人技术等都有着广泛的应用。近年来，3D传感器的不断出现和发展，获取点云数据变得越来越便利，目前，学术界和工业界对自动驾驶的浓厚兴趣，也凸显出了点云处理及三维场景的重要性。

在自动驾驶领域，3D点云主要应用于以下六个方面：

01 车道检测

在3D点云数据中，车道线的识别是非常重要的模型之一。有了它，自动驾驶车辆才能在正确的车道上平稳行驶。

强大的感知系统是无人驾驶汽车安全行驶的基础，当无人驾驶车辆行驶在带有车道线标记的结构化道路上时，车道标线通常是具有最高优先级的参考对象。因此，无人驾驶车辆的车道线识别是决定自动驾驶性能的重要因素，只有准确检测出车辆所在车道以及车道线的位置，智能车辆辅助安全系统和自主导航系统才能发挥出重要作用。

当前基于3D点云的车道检测方法是首先检测出道路中路沿所处位置，由路沿的位置划分出车道线所在路面的有效数据，然后根据车道线特征，从路面数据中检测出车道线的位置。主要包括路沿检测阶段和车道线检测阶段。

02 目标检测

目标检测

点云数据由于具有较为丰富的几何信息，相比于其它单模态数据更为稳定，基于激光雷达点云数据的3D目标检测技术被越来越多地应用在自动驾驶中，3D检测作为自动驾驶中的核心技术，在空间感知上优于2D任务，3D检测和自动驾驶的融合能进一步提高产品的性能，因此无论是在学术界或工业界都备受关注。

当前3D目标检测的简单有效的解决方案是直接使用激光点云进行检测，但由于点云稀疏、缺乏颜色信息等问题，需要利用多模态信息来克服单模态信息的不充分、不完备的问题。然而，目前还还缺乏成熟的多模态信息融合检测框架，对模态融合检测方法的研究是迫切且有意义的，通过增加视觉信息能够提高特征的表达能力，从而提高对不同物体的辨识性。

此外，目前的3D目标检测方法大多基于单帧信息，而自动驾驶场景的复杂、遮挡等问题，导致观测信息不完备、不充分，因此，进行时序信息融合也是有意义的，通过融合信息来减小不确定性，进而提高检测精度。

03 3D定位

自动驾驶的定位意味着能够在地图中找到车辆的地图位置和方向，对于自动驾驶来说，获取准确的定位是一切丰满理想实现的前提。定位是使用雷达获取的，激光束表示获取测量的距离并产生激光点云数据，其中的每个点传感器获取的基于点云的高精地图是可以通过离线扫描出来的，也可以在导航过程中通过系统里程计。

3D定位

当前自动驾驶车辆的3D激光雷达定位可以分为：基于3D点云的准时定位方法、基于3D特征的定位方法和基于3D点云深入研究的方法。配准的目标是实现点云能够在同一个坐标系下，从而可以计算出云计算出各个点云之间的变化，自动驾驶的点云的变化，场景下定位。

自动驾驶汽车在实际行驶过程中，会遭遇到各种路况环境，比如卫星信号中断、激光雷达反射器遮挡等，因此仅依靠某一定位方案是远远不够的，需要多传感器、多系统的融合定位方案。例如：点云匹配的相对位置与GPS的绝对位置相融合，自动驾驶汽车通过激光雷达获取周围场景内物体的反射信号，与事先获取的高清地图数据进行匹配，从而获取对车辆当前位置的精确估计。

04 地图配准

地图配准

在高精地图制作环节中，制作点云地图是第一步。通过对不同位置采集的连续帧点云进行配准，可以将不同位置的多帧点云统一到同一坐标系，构建场景的完整点云地图。在自动驾驶过程中，随着车辆的行进获取的点云数据也在发生着变化，当前地图配准的方法主要有以下三类：

ICP算法：空间位置上同一个点在两帧点云中距离是最近的，利用平移旋转变换后，让这两帧点云在相同位置的坐标尽可能拉近甚至相等，以达到配准的效果。

NDT算法：将高精点云地图转换为多维变量的正态分布，并采用最优化技术寻找最优变换，使得待配点云经过变换之后在目标点云中的概率密度之和最大。深度学习：深度学习在自动驾驶领域可谓无往不利，目前越来越多的深度学习的算法（包括PointNetLK、DCP、IDAM、RPM-Net、3DRegNet等）应用于地图配准中，并取得了较好的成果，也是今后自动驾驶领域的研究方向。

05 物体追踪

三维目标跟踪是自动驾驶领域中的一项长期研究任务。在自动驾驶场景下,由于激光雷达传感器能产生更加精确的点云数据,使其成为最常用的传感器之一。与图像数据不同，点云数据的无序性、稀疏性和非结构化等特点，给三维目标跟踪算法结构的设计带来更大的挑战。

在自动驾驶技术中，三维目标检测跟踪技术是当前的研究热点之一，其主要目的是对车辆周围环境中物体的位置、速度、大小等状态进行估计与预测。得益于 3D 目标检测技术快速发展，3D 多目标跟踪技术也有了较大的进步。3D 多目标跟踪技术大多是在 2D 多目标跟踪技术基础上进行进一步的扩展，但不同于二维多目标跟踪技术，基于激光雷达的多目标跟踪方法主要依靠传统跟踪方法，其关键步骤分为数据关联和状态估计。