【PCL】激光雷达常用传统感知算法学习

★,°:.☆(￣▽￣)/$:.°★
这篇文章主要介绍常用激光感知算法学习。
无专精则不能成，无涉猎则不能通。——梁启超
欢迎来到我的博客，一起学习，共同进步。
喜欢的朋友可以关注一下，下次更新不迷路

1. 算法介绍

激光雷达常用的感知算法主要包括以下几种：

1.障碍物检测与分割：这是激光雷达最基础的感知任务之一，通过对激光点云数据进行聚类或分割，将其中代表障碍物的点云提取出来。常见的算法包括基于距离、密度或颜色的聚类算法、地面分割算法等。

2.目标检测与识别：在障碍物检测的基础上，进一步对提取得到的障碍物点云进行目标检测和识别。常用的算法包括基于模型的方法（如基于滤波器或匹配算法）、基于机器学习的方法（如支持向量机、神经网络等）以及深度学习方法（如卷积神经网络）等。

3.运动估计与跟踪：激光雷达可以捕捉到场景中物体的位置信息，在连续的激光帧之间进行物体的运动估计和跟踪。常见的算法包括基于卡尔曼滤波器或扩展卡尔曼滤波器的方法，以及基于最小二乘或图优化的方法等。

4.地图构建与建图：激光雷达可以用于进行环境地图的构建和建图。通过对连续的激光帧进行匹配和配准，将不同位置的点云拼接起来构建环境地图。常用的算法包括建图算法（如粒子滤波器建图、栅格地图构建等）和地图匹配算法（如ICP匹配算法）等。

2. 常用算法示例

项目Github地址：https://github.com/hehern/lidar_perception

该仓库实现了激光雷达常见的感知算法，包含地图过滤、点云聚类 、目标追踪，实现了boundingbox框的发布。

3. 过滤与聚类算法示例

过滤项目Github地址：https://github.com/walterchenchn/plane_fit_ground_filter

聚类项目Github地址：https://github.com/walterchenchn/euclidean_cluster

该仓库实现3D点云的聚类分割，并基于jsk_rviz_plugins画框，可以配合plane_fit_ground_filter 地面过滤节点使用。

3. 融合估计算法示例

项目Github地址：https://github.com/wjjcdy/Extended-Kalman-Filter

该项目实现激光和毫米波融合，基于卡尔曼滤波估计移动物体的位姿。

以上。