激光雷达（Lidar）是自动驾驶中感知环境的核心传感器之一，它输出的是一帧帧点云数据（point cloud），表示空间中障碍物的位置和形状。
1. 什么是点云？
点云是由一系列点（x, y, z, intensity）组成的数据集，每个点表示空间中某个反射物的坐标和强度信息。
2. 点云数据结构
| 字段 | 描述 |
|---|---|
| x, y, z | 三维坐标 |
| intensity | 激光反射强度 |
| ring | 激光束编号（多线雷达） |
| timestamp | 每个点的时间戳 |
| reflectivity / ambient | 可选，反映表面材质或亮度 |
3. 常见处理流程
3.1 点云预处理
- 体素滤波（VoxelGrid）：降低点云密度，加快处理速度
- 裁剪（CropBox）：去除远处或地面点，聚焦感兴趣区域
- 时间同步：与IMU/GNSS同步，统一坐标系
3.2 点云配准与融合
- ICP算法（Iterative Closest Point）：配准不同帧点云，构建地图
- NDT算法：用于鲁棒配准，适应点云局部稀疏问题
- 多帧融合：提升障碍检测的完整性
3.3 点云感知
- 地面分割（Ground Segmentation）：识别并移除地面点
- 聚类（Euclidean Clustering）：提取独立目标（车辆、行人）
- 目标跟踪与识别：结合深度学习模型进行物体分类
4. 使用工具与库
| 工具/库 | 说明 |
|---|---|
| PCL (Point Cloud Library) | 最主流的C++点云处理库 |
| Open3D | Python友好，支持可视化与处理 |
| ROS + sensor_msgs/PointCloud2 | ROS中点云标准消息格式 |
| rviz | 可视化点云、障碍物、车辆模型 |
| Autoware/Apollo | 提供全套点云感知模块 |
5. 示例：PCL聚类伪代码
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.5); // 50cm内为一类
ec.setMinClusterSize(30);
ec.setMaxClusterSize(2500);
ec.setSearchMethod(tree);
ec.setInputCloud(cloud_filtered);
ec.extract(cluster_indices);