1. LeGO-LOAM地面分离算法详解
在室外复杂环境中,地面点的准确分离是点云预处理的关键步骤。LeGO-LOAM采用基于角度阈值的地面点提取算法,其核心思想是通过分析相邻激光束点之间的几何关系来识别地面。想象一下用扫把扫地时的场景——扫把与地面的夹角越小,扫过的区域就越平坦。激光雷达的扫描原理与此类似,只是把扫把换成了激光束。
具体实现时,算法会计算同一列相邻扫描点之间的垂直高度差(dZ)和水平距离差(dX、dY)。通过反正切函数得到两点连线与水平面的夹角θ。在理想平坦地面上,这个角度应该接近0度。但实际场景中需要考虑两个因素:一是激光雷达安装不可能绝对水平,二是自然地面存在微小起伏。因此LeGO-LOAM设置10度作为判断阈值,这个值是通过大量草坪、土路等场景实测得出的经验值。
代码实现中有几个关键细节需要注意:
cpp复制// 关键参数设置示例
const float DEG_TO_RAD = M_PI / 180.0;
const float GROUND_ANGLE_THRESHOLD = 10 * DEG_TO_RAD;
const int GROUND_SCAN_INDEX = 7; // 16线雷达的地面点上限
// 核心计算逻辑
float dX = upperPoint.x - lowerPoint.x;
float dY = upperPoint.y - lowerPoint.y;
float dZ = upperPoint.z - lowerPoint.z;
float vertical_angle = std::atan2(dZ, sqrt(dX*dX + dY*dY));
if ((vertical_angle - sensor_mount_angle) <= GROUND_ANGLE_THRESHOLD) {
// 标记为地面点
}
实际工程中我遇到过几个典型问题:在斜坡场景下,固定角度阈值会导致地面点误判。解决方法是通过IMU数据动态调整sensor_mount_angle参数。另一个常见问题是低矮障碍物(如路缘石)被误判为地面,这时可以结合高度阈值进行二次过滤。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 基于BFS的点云聚类优化
地面点分离后,剩余点云需要通过聚类算法进行组织。LeGO-LOAM采用广度优先搜索(B
