3D鐳射雷達地面-非地面分割和pcl_ros實踐
部落格轉載自：https://blog.csdn.net/AdamShan/article/details/82901295
PCL基本入門
PCL是一個開源的點雲處理庫，是在吸收了前人點雲相關研究基礎上建立起來的大型跨平臺開源C++程式設計庫，它實現了大量點雲相關的通用演算法和高效資料結構，包含點雲獲取、濾波、分割、配準、檢索、特徵提取、識別、追蹤、曲面重建、視覺化等大量開原始碼。支援多種作業系統平臺，可在Windows、Linux、Android、Mac OS X、部分嵌入式實時系統上執行。如果說OpenCV是2D資訊獲取與處理的結晶，那麼PCL就在3D資訊獲取與處理上具有同等地位。ROS kinetic完整版中本身已經包含了pcl庫，同時ROS自帶的pcl_ros 包可以連線ROS和PCL庫。我們從一個簡單的Voxel Grid Filter的ROS節點實現來了解一下PCL在ROS中的基本用法，同時瞭解PCL中的一些基本資料結構：
在ROS專案中引入PCL庫
在此我們假定讀者已經自行安裝好ROS kinetic 的完整版，首先在我們的catkin workspace中新建一個package，我們將它命名為pcl_test,可以通過如下指令生成workspace和package：
cd ~ mkdir -p pcl_ws/src cd pcl_ws catkin_make source devel/setup.bash cd src catkin_create_pkg pcl_test roscpp sensor_msgs pcl_ros
這樣，我們就新建了一個workspace，用於學習PCL，同時新建了一個名為pcl_test的package，這個ROS包依賴於roscpp，sensor_msgs, pcl_ros這幾個包，我們修改pcl_test包下的CMakeList檔案以及package.xml配置檔案，如下：
package.xml 檔案：
<?xml version="1.0"?> <package> <name>pcl_test</name> <version>0.0.1</version> <description>The pcl_test package</description> <maintainer email="[email protected]">adam</maintainer> <license>MIT</license> <buildtool_depend>catkin</buildtool_depend> <build_depend>roscpp</build_depend> <build_depend>sensor_msgs</build_depend> <build_depend>pcl_ros</build_depend> <run_depend>roscpp</run_depend> <run_depend>sensor_msgs</run_depend> <run_depend>pcl_ros</run_depend> </package>
CMakeList.txt 檔案：
cmake_minimum_required(VERSION 2.8.3)
project(pcl_test)
add_compile_options(-std=c++11)
find_package(catkin REQUIRED COMPONENTS
pcl_ros
roscpp
sensor_msgs
)
catkin_package(
INCLUDE_DIRS include
CATKIN_DEPENDS roscpp sensor_msgs pcl_ros
)
include_directories(
include
${catkin_INCLUDE_DIRS}
)
link_directories(${PCL_LIBRARY_DIRS})
add_executable(${PROJECT_NAME}_node src/pcl_test_node.cpp src/pcl_test_core.cpp)
target_link_libraries(${PROJECT_NAME}_node
${catkin_LIBRARIES}
${PCL_LIBRARIES}
)
package.xml的內容很簡單，實際上就是這個包的描述檔案，build_depend 和 run_depend 兩個描述符分別指定了程式包編譯和執行的依賴項，通常是所用到的庫檔案的名稱。在這裡我們指定了三個編譯和執行時依賴項，分別是roscpp（編寫C++ ROS節點），sensor_msgs（定義了鐳射雷達的msg），pcl_ros（連線ROS和pcl庫）。
同樣的，在CMakeList中，我們通過find_package查詢這三個包的路徑，然後將三個包新增到 CATKIN_DEPENDS, 在使用pcl庫前，需要將PCL庫的路徑連結，通過link_directories(${PCL_LIBRARY_DIRS})來完成，並在最後的target_link_libraries中新增${PCL_LIBRARIES}。
編寫節點進行Voxel Grid Filter
接著我們在pcl_test/src目錄下新建pcl_test_node.cpp檔案：
#include "pcl_test_core.h"
int main(int argc, char **argv)
{
ros::init(argc, argv, "pcl_test");
ros::NodeHandle nh;
PclTestCore core(nh);
return 0;
}
此檔案僅包含main函式，是節點的入口，編寫標頭檔案include/pcl_test_core.h:
#pragma once
#include <ros/ros.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/point_types.h>
#include <pcl/conversions.h>
#include <pcl_ros/transforms.h>
#include <pcl/filters/voxel_grid.h>
#include <sensor_msgs/PointCloud2.h>
class PclTestCore
{
private:
ros::Subscriber sub_point_cloud_;
ros::Publisher pub_filtered_points_;
void point_cb(const sensor_msgs::PointCloud2ConstPtr& in_cloud);
public:
PclTestCore(ros::NodeHandle &nh);
~PclTestCore();
void Spin();
};
以及pcl_test_core.cpp:
#include "pcl_test_core.h"
PclTestCore::PclTestCore(ros::NodeHandle &nh){
sub_point_cloud_ = nh.subscribe("/velodyne_points",10, &PclTestCore::point_cb, this);
pub_filtered_points_ = nh.advertise<sensor_msgs::PointCloud2>("/filtered_points", 10);
ros::spin();
}
PclTestCore::~PclTestCore(){}
void PclTestCore::Spin(){
}
void PclTestCore::point_cb(const sensor_msgs::PointCloud2ConstPtr & in_cloud_ptr){
pcl::PointCloud<pcl::PointXYZI>::Ptr current_pc_ptr(new pcl::PointCloud<pcl::PointXYZI>);
pcl::PointCloud<pcl::PointXYZI>::Ptr filtered_pc_ptr(new pcl::PointCloud<pcl::PointXYZI>);
pcl::fromROSMsg(*in_cloud_ptr, *current_pc_ptr);
pcl::VoxelGrid<pcl::PointXYZI> vg;
vg.setInputCloud(current_pc_ptr);
vg.setLeafSize(0.2f, 0.2f, 0.2f);
vg.filter(*filtered_pc_ptr);
sensor_msgs::PointCloud2 pub_pc;
pcl::toROSMsg(*filtered_pc_ptr, pub_pc);
pub_pc.header = in_cloud_ptr->header;
pub_filtered_points_.publish(pub_pc);
}
這個節點的功能是訂閱來自/velodyne_points話題的點雲資料，使用PCL內建的Voxel Grid Filter對原始的點雲進行降取樣，將降取樣的結果釋出到/filtered_points話題上。我們重點看回調函式PclTestCore::point_cb，在該回調函式中，我們首先定義了兩個點雲指標，在PCL庫中，pcl::PointCloud<T>是最基本的一種資料結構，它表示一塊點雲資料（點的集合），我們可以指定點的資料結構，在上述例項中，採用了pcl::PointXYZI這種型別的點。pcl::PointXYZI結構體使用(x, y, z, intensity)這四個數值來描述一個三維度空間點。
intensity，即反射強度，是指鐳射雷達的鐳射發射器發射鐳射後收到的反射的強度，通常所說的16線，32線鐳射雷達，其內部實際是並列縱排的多個鐳射發射器，通過電機自旋，產生360環視的點雲資料，不同顏色的物體對鐳射的反射強度也是不同的，通常來說，白色物體的反射強度（intensity）最強，對應的，黑色的反射強度最弱。
通常使用sensor_msgs/PointCloud2.h 做為點雲資料的訊息格式，可使用pcl::fromROSMsg和pcl::toROSMsg將sensor_msgs::PointCloud2與pcl::PointCloud<T>進行轉換。
為了使用Voxel Grid Filter對原始點雲進行降取樣，只需定義pcl::VocelGrid並且指定輸入點雲和leaf size，在本例中，我們使用leaf size為 0.2。Voxel Grid Filter將輸入點雲使用0.2m*0.2m*0.2m的立方體進行分割，使用小立方體的 形心（centroid） 來表示這個立方體的所有點，保留這些點作為降取樣的輸出。
驗證效果
我們寫一個launch檔案pcl_test.launch來啟動這個節點：
<launch>
<node pkg="pcl_test" type="pcl_test_node" name="pcl_test_node" output="screen"/>
</launch>
回到workspace 目錄，使用catkin_make 編譯：
catkin_make
啟動這個節點：
roslaunch pcl_test pcl_test.launch
新建終端，並執行我們的測試bag（測試bag下載連結：https://pan.baidu.com/s/1HOhs9StXUmZ_5sCALgKG3w）
rosbag play --clock test.bag
開啟第三個終端，啟動Rviz
rosrun rviz rviz
配置Rviz的Frame為velodyne，並且載入原始點雲和過濾以後的點雲的display
原始點雲：
降取樣之後的點雲（即我們的節點的輸出）：
點雲地面過濾
過濾地面是鐳射雷達感知中一步基礎的預處理操作，因為我們環境感知通常只對路面上的障礙物感興趣，且地面的點對於障礙物聚類容易產生影響，所以在做Lidar Obstacle Detection之前通常將地面點和非地面點進行分離。在此文中我們介紹一種被稱為Ray Ground Filter的路面過濾方法，並且在ROS中實踐。
對點雲剪裁和過濾
要分割地面和非地面，那麼過高的區域首先就可以忽略不計，我們先對點雲進行高度的裁剪。我們實驗用的bag在錄製的時候lidar的高度約為1.78米，我們剪裁掉1.28米以上的部分，程式碼如下：
void PclTestCore::clip_above(double clip_height, const pcl::PointCloud<pcl::PointXYZI>::Ptr in,
const pcl::PointCloud<pcl::PointXYZI>::Ptr out)
{
pcl::ExtractIndices<pcl::PointXYZI> cliper;
cliper.setInputCloud(in);
pcl::PointIndices indices;
#pragma omp for
for (size_t i = 0; i < in->points.size(); i++)
{
if (in->points[i].z > clip_height)
{
indices.indices.push_back(i);
}
}
cliper.setIndices(boost::make_shared<pcl::PointIndices>(indices));
cliper.setNegative(true); //ture to remove the indices
cliper.filter(*out);
}
為了消除車身自身的雷達反射的影響，我們對近距離的點雲進行過濾，仍然使用pcl::ExtractIndices進行剪裁：
void PclTestCore::remove_close_pt(double min_distance, const pcl::PointCloud<pcl::PointXYZI>::Ptr in,
const pcl::PointCloud<pcl::PointXYZI>::Ptr out)
{
pcl::ExtractIndices<pcl::PointXYZI> cliper;
cliper.setInputCloud(in);
pcl::PointIndices indices;
#pragma omp for
for (size_t i = 0; i < in->points.size(); i++)
{
double distance = sqrt(in->points[i].x*in->points[i].x + in->points[i].y*in->points[i].y);
if (distance < min_distance)
{
indices.indices.push_back(i);
}
}
cliper.setIndices(boost::make_shared<pcl::PointIndices>(indices));
cliper.setNegative(true); //ture to remove the indices
cliper.filter(*out);
}
其中，#pragma omp for語法OpenMP的並行化語法，即希望通過OpenMP並行化執行這條語句後的for迴圈，從而起到加速的效果。
角度微分和地面/非地面判斷
Ray Ground Filter演算法的核心是以射線（Ray）的形式來組織點雲。我們現在將點雲的 (x, y, z)三維空間降到（x,y）平面來看，計算每一個點到車輛x正方向的平面夾角 θ \thetaθ, 我們對360度進行微分，分成若干等份，每一份的角度為0.18度，這個微分的等份近似的可以看作一條射線，如下圖所示,圖中是一個鐳射雷達的縱截面的示意圖，雷達由下至上分佈多個鐳射器，發出如圖所示的放射狀鐳射束，這些鐳射束在平地上即表現為，圖中的水平線即為一條射線：
0.18度是VLP32C雷達的水平光束髮散間隔。
為了方便地對點進行半徑和夾角的表示，我們使用如下資料結構代替pcl::PointCloudXYZI:
struct PointXYZIRTColor
{
pcl::PointXYZI point;
float radius; //cylindric coords on XY Plane
float theta; //angle deg on XY plane
size_t radial_div; //index of the radial divsion to which this point belongs to
size_t concentric_div; //index of the concentric division to which this points belongs to
size_t original_index; //index of this point in the source pointcloud
};
typedef std::vector<PointXYZIRTColor> PointCloudXYZIRTColor;
其中，radius表示點到lidar的水平距離(半徑)，即：
theta是點相對於車頭正方向(即x方向)的夾角，計算公式為：
我們用radial_div和concentric_div分別描述角度微分和距離微分。對點雲進行水平角度微分之後，可得到：3600/0.18=2000 條射線，將這些射線中的點按照距離的遠近進行排序，如下所示：
//將同一根射線上的點按照半徑（距離）排序
#pragma omp for
for (size_t i = 0; i < radial_dividers_num_; i++)
{
std::sort(out_radial_ordered_clouds[i].begin(), out_radial_ordered_clouds[i].end(),[](const PointXYZIRTColor &a, const PointXYZIRTColor &b) { return a.radius < b.radius; });
}
通過判斷射線中前後兩點的坡度是否大於我們事先設定的坡度閾值，從而判斷點是否為地面點。程式碼如下：
void PclTestCore::classify_pc(std::vector<PointCloudXYZIRTColor> &in_radial_ordered_clouds,
pcl::PointIndices &out_ground_indices,
pcl::PointIndices &out_no_ground_indices)
{
out_ground_indices.indices.clear();
out_no_ground_indices.indices.clear();
#pragma omp for
for (size_t i = 0; i < in_radial_ordered_clouds.size(); i++) //sweep through each radial division 遍歷每一根射線
{
float prev_radius = 0.f;
float prev_height = -SENSOR_HEIGHT;
bool prev_ground = false;
bool current_ground = false;
for (size_t j = 0; j < in_radial_ordered_clouds[i].size(); j++) //loop through each point in the radial div
{
float points_distance = in_radial_ordered_clouds[i][j].radius - prev_radius;
float height_threshold = tan(DEG2RAD(local_max_slope_)) * points_distance;
float current_height = in_radial_ordered_clouds[i][j].point.z;
float general_height_threshold = tan(DEG2RAD(general_max_slope_)) * in_radial_ordered_clouds[i][j].radius;
//for points which are very close causing the height threshold to be tiny, set a minimum value
if (points_distance > concentric_divider_distance_ && height_threshold < min_height_threshold_)
{
height_threshold = min_height_threshold_;
}
//check current point height against the LOCAL threshold (previous point)
if (current_height <= (prev_height + height_threshold) && current_height >= (prev_height - height_threshold))
{
//Check again using general geometry (radius from origin) if previous points wasn't ground
if (!prev_ground)
{
if (current_height <= (-SENSOR_HEIGHT + general_height_threshold) && current_height >= (-SENSOR_HEIGHT - general_height_threshold))
{
current_ground = true;
}
else
{
current_ground = false;
}
}
else
{
current_ground = true;
}
}
else
{
//check if previous point is too far from previous one, if so classify again
if (points_distance > reclass_distance_threshold_ &&
(current_height <= (-SENSOR_HEIGHT + height_threshold) && current_height >= (-SENSOR_HEIGHT - height_threshold)))
{
current_ground = true;
}
else
{
current_ground = false;
}
}
if (current_ground)
{
out_ground_indices.indices.push_back(in_radial_ordered_clouds[i][j].original_index);
prev_ground = true;
}
else
{
out_no_ground_indices.indices.push_back(in_radial_ordered_clouds[i][j].original_index);
prev_ground = false;
}
prev_radius = in_radial_ordered_clouds[i][j].radius;
prev_height = in_radial_ordered_clouds[i][j].point.z;
}
}
}
這裡有兩個重要引數，一個是local_max_slope_，是我們設定的同條射線上鄰近兩點的坡度閾值，一個是general_max_slope_，表示整個地面的坡度閾值，這兩個坡度閾值的單位為度（degree），我們通過這兩個坡度閾值以及當前點的半徑（到lidar的水平距離）求得高度閾值，通過判斷當前點的高度（即點的z值）是否在地面加減高度閾值範圍內來判斷當前點是為地面。
在地面判斷條件中，current_height <= (-SENSOR_HEIGHT + general_height_threshold) && current_height >= (-SENSOR_HEIGHT - general_height_threshold) 中SENSOR_HEIGHT表示lidar掛載的高度，-SNESOR_HEIGHT即表示水平地面。
分割效果
我們使用上文中的bag來驗證地面分割節點的工作效果。執行bag並且執行我們的節點，開啟Rviz，載入兩個點雲display，效果如下所示：
其中，紅色的點為我們分割出來的地面，來自於 /filtered_points_ground 話題，白色的點為非地面，來自於 /filtered_points_no_ground 話題。分割出非地面點雲之後，我們就可以讓Lidar Detection的程式碼工作在這個點雲上了，從而排除了地面對於Lidar聚類以及Detection的影響。