上海交通大学智能网联电动汽车创新中心团队在王亚飞老师指导下，于IEEE Robotics and Automation Letters（RA-L）上发表题为“UE-Extractor: A Grid-to-Point Ground Extraction Framework for Unstructured Environments Using Adaptive Grid Projection” 的研究论文。文章主要探讨了一种基于自适应子区域分割及栅格投影的两阶段地面点云提取方法，为无人驾驶车辆在复杂非结构化场景下的可行域辨识提供了新的实现路径。本文第一作者是机械与动力工程学院2024级博士生李若尧。

研究背景

在以露天矿山环境为代表的非结构化道路场景中，无人驾驶车辆需要准确获取周围环境信息以完成作业流程。3D激光雷达因其高精度和低光照依赖性，能够为无人驾驶车辆提供准确的环境信息。然而，通过激光雷达获得的点云包括可通行的路面与不可通行的障碍物，因此需要辨识车辆可通过的地面点云以提供给后续建图及规划过程。与结构化的城市道路相比，非结构化场景具有稀疏的点云特征和模糊的地面—障碍物边界，要求点云提取方法考虑不同点云分布下的局部特征。此外，激光雷达的高线束发展趋势也对分割方法的实时性提出了更高的要求。因此，在非结构化场景下准确快速地分割地面点云成为了一项具有挑战性的任务。

研究现状

针对无人驾驶车辆的地面点云辨识需求，现有研究多采用基于模型拟合或者基于几何特征分析的方法，如采用随机采样一致性（RANSAC）等方法对扫描区域进行整体分割，然而此类对点云进行整体估计的方法可能忽视点云局部特征，在路面存在显著起伏的非结构化环境中表现较差。为提高分割过程的计算效率和准确性，一些方法将单帧点云分割成多个子区域，以分析局部几何特征，然而子区域划分过程中繁杂的参数设置限制了这些方法在不同非结构化场景下的迁移能力。近年来，一些方法引入深度学习以提升地面分割的准确率，但基于深度学习的方法需要大量计算资源且往往高度依赖训练数据集的环境，在非结构化场景下难以应用。总体而言，现有方法在考虑非结构化局部特征与不同场景下的适应性方面仍有不足，急需一种能够在较少参数约束下自适应辨识局部特征的地面点云分割框架。

研究成果

针对上述现有方法在非结构化场景下地面辨识任务处理中的不足，本研究提出一种适用于非结构化环境的实时地面点云提取框架，利用自适应子区域划分及投影构建两阶段点云分割方法。为应对不同区域下点云分布差异的挑战，针对子区域边界进行动态划分，并将区域内信息降维投影到统一均匀栅格层。随后，根据高度信息分别计算每个栅格的前向斜率、局部垂直度、相邻方差和地形不平整度，以进行基于栅格的粗估计。最后，利用粗估计结果初始化边界区域的地面概率分布，并结合高程差异和局部曲率信息进行精细分割，最终实现非结构化环境下精准的地面提取。

图1 论文方法流程

图2 实车试验场景

图3 在RELLIS-3D数据集及露天矿山实车试验的可视化测试结果

论文链接：https://ieeexplore.ieee.org/abstract/document/10971928

作者信息

李若尧，上海交通大学机械与动力工程学院2024级博士生。研究方向：非结构化场景下的无人驾驶车辆可行域辨识、高精地图构建及长周期地图管理。

王亚飞，上海交通大学机械与动力工程学院教授，入选国家高层次青年人才、交通运输部青年拔尖人才。主持科技部重点研发计划课题、国家自然科学基金和企事业单位合作项目40余项，发表中英文论文100余篇，授权国内外发明专利40余项，参与制定发布国家标准7项，获国际学术会议最佳论文奖/提名奖4项。现任IEEE Vehicular Technology Magazine副主编、ASME Journal of Dynamic Systems, Measurement, and Control副主编、《汽车工程学报》编委、《传动技术》编委、《汽车工程》青年编委、《中国公路学报》青年编委、中国汽车工程学会青委会副秘书长等职。研究方向：特种车辆无人驾驶建图与规划、车路协同感知定位。

原文链接：https://mp.weixin.qq.com/s/yaByZQoSJh992aVzjqydZA