點云組幀

感知算法人員在完成點云的運動畸變補償后，會發現一個問題：激光雷達發送的點云數據包中的點云數量其實非常少，完全無法用來進行后續感知和定位層面的處理工作。

此時，感知算法人員就需要對這些數據包進行點云組幀的處理。

1. 為什么需要點云組幀？

• 激光雷達是逐點輸出數據的，不同于相機一次性獲取完整圖像，LiDAR 通過旋轉掃描環境，因此點云需要累積和組織。

• 數據包需要時間同步，不同 LiDAR 可能有不同的掃描模式（逐線掃描、逐點掃描），如果不進行同步，可能會出現錯幀或數據丟失。

• 運動補償（去畸變），當 LiDAR 安裝在運動平臺（如無人車、機器人）上，點云數據會因為運動而產生畸變，需配合 IMU 進行修正。

• 多雷達數據融合，在多傳感器 SLAM（Simultaneous Localization and Mapping）系統中，可能需要將多個雷達的點云數據合并。

2. 組幀的方法

(1) 按時間窗口組幀

適用于：機械式 LiDAR（如 Velodyne 系列）

• 以 某個時間間隔（如 100ms） 或 一圈完整掃描（360°） 作為一幀。

• 需要結合 LiDAR 旋轉角度計算幀的起止點。

示例：

• Velodyne-16 激光雷達，每秒 10 圈，每圈 100ms，數據包時間同步后按 100ms 組幀。

• Livox LiDAR（非旋轉式）可以設置時間窗口 50ms 組幀。

---

(2) 按角度范圍組幀

適用于：旋轉式 LiDAR

• 根據激光雷達的 方位角（Azimuth） 進行分割，例如每轉 360° 形成一幀。

• 以 0° ~ 360° 為完整一幀，當掃描角度回到 0° 附近，則開始新一幀。

?外參變化

1. 為什么需要外參變換？

在自動駕駛系統中，激光雷達坐標系 僅適用于 LiDAR 自身的數據，而車輛坐標系 是整個車輛感知、決策、控制的基準。因此，所有傳感器（LiDAR、攝像頭、毫米波雷達）都需要 轉換到車輛坐標系，以實現數據融合。

示例：

• LiDAR 采集的點云 在其本地坐標系中表示（單位：米）。

• 車輛坐標系 是以車輛的質心（通常是后軸中心）為原點。

• 攝像頭坐標系 也需要與車輛坐標系對齊，以進行多傳感器融合。

2. 變換模型

?濾波處理

?點云濾波是自動駕駛和 3D 視覺任務中的關鍵步驟，它用于去除噪聲、降低數據量、增強點云質量，以提高后續感知算法的準確性和計算效率。常見的點云濾波方法包括 體素濾波（Voxel Grid Filter）、統計濾波（Statistical Outlier Removal, SOR）、半徑濾波（Radius Outlier Removal, ROR）、均值/中值濾波 等。