第四章：地面分割——让激光雷达看懂“路”在哪里
地面分割这件事，说白了就是让激光雷达分清「哪里是路，哪里是障碍物」。
我刚开始做自动驾驶感知时，犯过一个低级错误——直接把所有点云送进聚类算法。结果呢？地面被当成了一堵墙，车吓得不敢动。嗯，从那以后我明白了：地面分割是障碍物检测的第一步，也是最重要的一步。
核心观点：地面分割不是可选项，而是必选项。不做地面分割，后续的聚类、跟踪、预测全是空中楼阁。
4.1 地面分割的两种主流思路
目前工业界常用的地面分割方法，主要有两派：
- 基于模型的方法：假设地面是一个平面（或几个平面），用RANSAC之类的算法去拟合。简单粗暴，但有效。
- 基于几何的方法：利用激光雷达扫描线的几何特性，比如射线坡度、相邻点高度差。PatchWork就是这类方法的代表。
我个人习惯把这两种方法结合起来用。为什么？因为单一方法总有翻车的时候。我在项目中遇到过，RANSAC在颠簸路面会误分割，而纯几何方法在陡坡上又容易漏检。两者互补，才是王道。
4.2 基于RANSAC的平面拟合
RANSAC（Random Sample Consensus）是一种迭代式的模型拟合算法。它的核心思想很简单：从数据中随机采样，找到最能代表「大多数」的那个模型。
4.2.1 算法流程
- 从点云中随机选3个点（三点确定一个平面）
- 计算这3个点构成的平面方程
- 计算所有点到这个平面的距离
- 统计距离小于阈值的内点数量
- 重复步骤1-4，保留内点最多的那个平面
- 用所有内点重新拟合平面（最小二乘优化）
我的经验：阈值怎么设？我一般取0.1~0.2米。太大会把矮障碍物也当成地面，太小则地面分割不完整。你可以根据激光雷达的安装高度和路面平整度来微调。
4.2.2 代码实现
import numpy as np
import open3d as o3d
def ransac_plane_segmentation(pcd, distance_threshold=0.15, ransac_n=3, num_iterations=1000):
"""
基于RANSAC的地面分割
:param pcd: open3d点云对象
:param distance_threshold: 点到平面的距离阈值
:param ransac_n: 每次采样点数
:param num_iterations: 迭代次数
:return: 地面点云, 非地面点云
"""
plane_model, inliers = pcd.segment_plane(
distance_threshold=distance_threshold,
ransac_n=ransac_n,
num_iterations=num_iterations
)
# 提取地面点
ground_cloud = pcd.select_by_index(inliers)
# 提取非地面点（障碍物）
obstacle_cloud = pcd.select_by_index(inliers, invert=True)
return ground_cloud, obstacle_cloud
# 使用示例
pcd = o3d.io.read_point_cloud("lidar_scan.pcd")
ground, obstacles = ransac_plane_segmentation(pcd)
print(f"地面点: {len(ground.points)}, 障碍物点: {len(obstacles.points)}")注意：RANSAC假设地面是单一平面。如果遇到坡道、减速带、坑洼路面，单一平面模型会失效。我曾经在矿山场景吃过这个亏——地面起伏超过30厘米，RANSAC直接把半个坡面当成了障碍物。
4.3 基于射线坡度的地面分割（PatchWork）
PatchWork是2021年提出的一种地面分割算法，名字很形象——像拼布一样，把地面分成一块一块来处理。
它的核心思想是：激光雷达的每条扫描线，在水平方向上是连续的。地面上的点，相邻射线的坡度变化应该很小。
4.3.1 算法原理
PatchWork把点云分成三个区域（近、中、远），每个区域用不同的策略处理：
| 区域 | 距离范围 | 处理策略 |
|---|---|---|
| 近区（Zone 1） | 0~15米 | 用RANSAC拟合局部平面，坡度阈值严格 |
| 中区（Zone 2） | 15~30米 | 用射线坡度法，允许一定坡度变化 |
| 远区（Zone 3） | 30米以上 | 用射线坡度法，阈值放宽 |
为什么要分区？你想想看，近处的点密集、精度高，远处的点稀疏、噪声大。用同一套参数处理所有区域，肯定不合理。
4.3.2 射线坡度计算
对于每条扫描线，我们计算相邻点之间的坡度角：
def compute_ray_slope(points_ring):
"""
计算一条扫描线上相邻点的坡度
:param points_ring: 同一扫描线上的点云（按角度排序）
:return: 每个点的坡度角（弧度）
"""
slopes = []
for i in range(1, len(points_ring)):
p_prev = points_ring[i-1]
p_curr = points_ring[i]
# 计算水平距离和高度差
d_horizontal = np.linalg.norm(p_curr[:2] - p_prev[:2])
d_vertical = p_curr[2] - p_prev[2]
# 坡度角 = arctan(高度差 / 水平距离)
if d_horizontal > 0.01: # 避免除零
slope = np.arctan2(d_vertical, d_horizontal)
slopes.append(slope)
else:
slopes.append(0.0)
return np.array(slopes)关键参数：坡度阈值一般设为5~10度。超过这个值，说明点与点之间发生了「跳跃」，大概率是障碍物。
4.3.3 PatchWork的完整流程
下面这张图展示了PatchWork的核心逻辑：
4.3.4 PatchWork的优缺点
| 优点 | 缺点 |
|---|---|
| 对坡道、起伏路面鲁棒性好 | 计算量比纯RANSAC大 |
| 远距离也能保持较好的分割效果 | 参数调优需要经验（分区边界、坡度阈值） |
| 不需要假设地面是平面 | 对激光雷达线束密度敏感 |
避坑指南：我曾经在16线激光雷达上跑PatchWork，发现远区（30米外）的点太稀疏，射线坡度法根本算不准。后来我把远区的阈值从8度放宽到15度，效果才勉强能看。如果你用的是低线束雷达，建议把远区范围缩小到20米以内。
4.4 两种方法的对比与选择
说了这么多，到底该用哪种？我个人的建议是：
- 场景平坦、结构简单（如高速公路）：RANSAC就够了，简单高效
- 场景复杂、有坡道起伏（如城市道路、矿山）：用PatchWork
- 追求极致鲁棒性：两者结合——先用RANSAC粗分割，再用PatchWork精修
我在实际项目中，通常把RANSAC作为「快速初筛」，把PatchWork作为「精细分割」。这样既保证了实时性，又兼顾了准确性。
一句话总结：地面分割没有银弹。理解每种方法的假设和局限，根据场景灵活组合，才是工程师该有的思维方式。
好了，地面分割的原理和实战就讲到这里。代码我已经放在课程配套的仓库里了，建议你拿自己的数据跑一跑，看看效果。嗯，动手才是最好的学习方式。