激光雷达点云能分清地面和水面吗？

[首发于智驾最前沿微信公众号]自动驾驶系统想“看清”周围的世界，可通过多个传感器来完成，激光雷达由于可以提供丰富的三维点云信息，一直是很多方案的主要选择。激光雷达的工作原理也非常简单，其不断发射激光脉冲，激光遇到物体后反射回传感器，通过测量激光来回的时间，就可以计算出物体到车辆的距离。

这样重复数百万次，还能生成一堆具有空间坐标的点，也就是大家熟知的点云，这些点组成了周围环境的三维模型。点云里不仅有路面、建筑、行人，也有树木、车辆甚至交通标志。这些三维点云就是自动驾驶系统理解和交互现实世界的重要基础。

图片源自：网络

在自动驾驶的感知链路里，点云数据要经过噪声过滤、坐标转换、地面点分割等预处理，这些步骤可以帮助车辆将原始数据整理成更有意义的信息。地面点是一个特别重要的类别，它能帮助自动驾驶系统理解可行驶区域和障碍物边界。

激光雷达的每一个返回点都包含三个基本量，即横坐标X、纵坐标Y以及高度Z。有时还会记录激光的回波强度值，这个值反映了激光与表面材料的反射强弱。不同材质对激光的反射强度不一样，但这比起距离信息来说更容易受到角度、表面状态等因素影响，因此常被作为辅助特征。

地面与非地面的基本区分逻辑

在点云处理中，一个很常见的任务是“地面分割”。所谓地面分割，就是把代表路面、裸地、草地等的点，从点云中挑出来，把非地面点（比如车辆、行人、树木等）单独留出来，这样可以让后续的目标检测、碰撞规避等算法处理起来更清晰。很多算法是根据点的高度变化、邻近点的坡度关系，或是统计整体曲率等来判定一个点是不是地面。如基于斜率的算法，会将激光点沿一个方向排列，通过它们高度差与一定阈值比较找到相对平坦且连续的点云区域，这类区域一般就代表地面。

这些地面分割方法在城市道路场景里很常见，是自动驾驶感知的基础步骤。分割好地面点后，非地面点就可以被聚类，进一步识别为车辆、行人、栏杆等其他物体。地面分割的关键在于算法能否正确抓住地面本身连续、低起伏的空间特点。

在理想情况下，地面的高程在一个小区域内是相对平滑且连续的，这便于数学模型将其从点云里分离出来。而且点云分类还可以更精细，除地面之外，还能分类出建筑物、植被、线路、水体等，这在专业点云处理领域是标准做法。美国摄影测量与遥感学会（ASPRS）甚至制定了统一的点云分类标签，其中就编号2表示地面，编号9表示水体等分类。

分类值

含义

0

已创建，从不分类

1

未分配

2

地面

3

低植被

4

中等植被

5

高植被

6

建筑物

7

低点

8

模型关键点

9

水体

10

铁路

11

路面

12

保留

13

钢丝护网（护罩）

14

导线（相位）

15

输电塔

16

线结构连接器（绝缘体）

17

桥板

18

高噪音

19

保留

20

已忽略地面

21

22

时间排除

23–63

保留

64–255

用户自定义

ASPRS制定的点云分类标签

水面在激光雷达点云里是如何表现的？

地面和水面虽然看起来都是平的表面，但激光雷达看待它们的方式并不一样。地面对大多数激光雷达常用的近红外激光（波长通常在900–1064nm区间）有比较稳定的反射，因此当雷达脉冲打到硬质地面时，大部分激光能被反射回传感器，形成清晰的点云，这也是地面分割算法能有效的原因。

图片源自：网络

水面对近红外激光的吸收则较强，在平静、清澈的水域，激光脉冲会被水面吸收，难以形成清晰稳定的回波。这在点云中的体现是非常明显的，水面区域会表现为点云稀疏，甚至出现“空洞”，这就是激光雷达未能接收到足够的反射信号导致的。

基于这个原理，地面和水面的区分就会非常明显，如果某个区域的点云非常稀疏，特别是在车辆运动轨迹附近的低洼区域，那么这个区域就有可能是水面，而不是地面。点云分类器在预处理阶段就能利用这种特点来标记潜在的水体区域。当然，这种方法并不完美，因为在实际驾驶场景中，积水、湿滑地面、浅水或泥泞路面也会导致点云稀疏或噪声增多。

当然,如果水面粗糙、有波动或杂质（比如有风、有泡沫、悬浮物），雷达激光会在水面产生散射及反射，这些回波有时候能被激光雷达捕捉到，但这些点一般是分布不规则，噪声多且密度较低的。这跟地面那种规则连续的点云明显不一样。

还有一点需要明确的是，这些来自水面的反射信号与地面等实体表面的稳定回波不同。水面点云大多源于波动、杂质或特定入射角度导致的偶然反射，并不是来自水面本身清晰的几何结构。因此，依靠点云数据区分水面与地面，只能是识别方法的一部分，而不是唯一依据。

为什么仅靠点云本身难以完美区分水面？

点云本身只能反映激光返回的空间点，并不会像摄像头那样反馈颜色、纹理等信息。在区分地面与水面时，如果仅依托激光雷达，很难做到非常完美的区分。

激光雷达是基于激光发射与接收的时间差进行测距的，其信号能否返回、返回的强度与质量，均取决于物体表面的反射特性。水面对近红外激光具有较强的吸收作用，因此在多数情况下，激光在水面无法返回有效信号，导致该位置在点云中呈现为“无数据”的状态。

此外，像被雨水打湿的路面、积水坑洼或泥泞表面等，也会改变激光的反射行为，使点云表现出类似不规则噪声的形态。这使得依赖几何特征的算法很难用统一规则将其归类为水面或地面。简单来说，仅依据点云的几何形状与高度分布，有时难以区分“湿路面”究竟是实心地面上覆盖的积水，还是开放的水体。

图片源自：网络

激光雷达点云本身也不包含材质或颜色信息，仅提供距离与反射强度两类数据。反射强度虽然可以在一定程度上辅助材质判别，但其受反射角度、表面粗糙度、传感器差异等多种因素影响，因此不能作为稳定可靠的水体或地面判断依据。

正因如此，行业内不会仅依赖激光雷达点云完成水体识别。在完整的自动驾驶系统架构中，还会融合如摄像头图像、毫米波雷达数据及高精地图等其他信息源。摄像头能提供颜色与纹理特征，有助于将点云中的“空洞”区域结合视觉信息进行确认；毫米波雷达在某些场景下对水体也有不同的反射特性，可作为有效的感知补充。通过多传感器融合，系统能够更可靠地识别水面及其它复杂道路状况。

最后的话

激光雷达通过发射激光测量距离，但水面容易吸收激光，常导致信号缺失，在三维点云中呈现空洞。潮湿路面等也会造成干扰激光雷达的点云形成，因此，仅凭激光雷达难以可靠区分水面与地面，需要结合摄像头和毫米波雷达等传感器的数据，共同完成识别。