《移动机器人》课件-第5章 移动机器人感知
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
移动机器人
5.2.2 基于激光点云的路面分割
RANSAC算法的步骤如下： 1、从观测数据中随机选择一个子集，估计出适合于这些子集的模型。 2、用这个模型测试其它的数据。根据损失函数，得到符合这个模型的点的集合，称 为一致性集合。 3、如果足够多的数据都被归类于一致性集合，说明这个估计的模型是正确的；反之，
移动机器人
第五章 移动机器人感知
目录
第五章 移动机器人感知
5.1 地图表示及构建 5.2 基于激光雷达的感知 5.3 基于视觉的感知
5.1 地图表示及构建
环境建模：建立机器人所工作环境的各种物体如障碍、路标等的准确的空间位置 描述，即空间模型或地图。
建图需要关注以下问题：1、便于理解和计算。2、方便扩展。 3、便于定位。
最小类内方差： 1）首先，使用一个初始阈值将整体数据分成两个类，通过每类的方差来评估分类是 否最优。 2）如果两个类的内部方差和越小则每一类内部的差别就越小，那么两个类之间的差 别就越大。 3）不断调整阈值，直到使得类内方差和最小。
移动机器人
5.2.4 基于激光点云的目标检测与识别
基于激光点云的目标检测：从采集的激光点云数据中经过数据预处理，剔除掉复 杂的地形场景中的大量路面点，通过目标分割等算法找出可能存在的感兴趣区域ROI， 从而锁定目标区域。
MV3D-Net：将激光点云投影到多个视图中以及通过前置摄像头获得图像，提取 相应的视图特征，融合这些特征进行精确的物体识别。
移动机器人
5.2.4 基于激光点云的目标检测与识别
1. 输入：鸟瞰图、前视图和二维RGB图像； 2. 分别对三种输入提取特征，从鸟瞰图特征中计算候选区域，并分别向另外两幅图中进行
映射； 3. ROI池化为每一个模态获得相同长度的特征向量； 4. 把整合后的数据进行融合； 5. 通过分类和回归网络获得目标类别及目标位置。
移动机器人
MV3D-Net
5.2.4 基于激光点云的目标检测与识别
(2)基于体素网格的方法 运用体素来建立3D网格，从而实现点云的目标识别。Telnet是基于体素网格的
（1）高度阈值法根据校准后点云高度进行分割，通过设定阈值将点云分为地 面点和障碍物点。
移动机器人
5.2.2 基于激光点云的路面分割
（2）法向量方法假设地面点的法向量为竖直的，首先计算校正后激光点的法 向量值，然后根据设定的法向量阈值进行分类。 • 当激光雷达竖直倾斜角度过大时，地面点的法向量很可能不满足假设条件，
常用的视图有前视图和鸟瞰图。 ① 前视图：将三维空间中的点投影到以激光为中心的圆柱形表面上，然后展开该
圆柱形为二维图片。 ② 鸟瞰图：将点云的Z轴信息转换成以点云X轴和Y轴形成的2D图像中的像素信息。
牺牲了高度特征，保持了物体的物理尺寸。
移动机器人
5.2.4 基于激光点云的目标检测与识别
投影方法会丢失点云中的一些信息，无法解决目标遮挡或堆叠的情况。MV3DNet采用多个视图融合的方法来弥补信息损失的不足。
因此可以利用回波脉冲宽度的差异对目标进行区分。
移动机器人
5.2.3 基于激光点云的车道线检测
• W表示回波脉冲宽度，d表示扫描目标的距离，A、B、C三次回波分别有着不同的脉冲 宽度，且回波距离也各不相同。
• 根据目标物体固有的相关脉冲宽度，便可区分出哪个才是真正的目标。
移动机器人
5.2.3 基于激光点云的车道线检测
5.1 地图表示及构建
直接表征法 直接表征法是直接使用传感器读入的数据来描述环境，一般用于基于视觉传 感器建图。 优点：传感器数据本身比特征或栅格这一中间表示环节包含了更丰富的环境 描述信息。 缺点：数据存储量大，环境噪声干扰严重，特征数据的提取与匹配困难，使 其应用受到一定限制。
移动机器人
5.2 基于激光雷达的感知
基于激光点云的目标识别：是指将检测到的目标通过数据分析或处理，得到该目标 确切的类别。
移动机器人
5.2.4 基于激光点云的目标检测与识别
• 传统方法有基于数学形态学的目标检测方法、基于特征的目标检测方法和基于图 像处理的目标检测方法。
（1）基于数学形态学：主要是对点云数据进行形态学目标检测。 （2）基于特征：先获取目标高度、曲率、边缘、阴影等特征，然后进行条件筛选， 最后利用聚类或重组的方法得到目标。 （3）基于图像处理：将激光点云数据转换成图像，如根据点云的距离值转换成距 离图等，然后利用图像处理算法进行目标检测。
典型的地图表示方法有尺度地图、拓扑地图、直接表征地图和混合地图。尺度 地图又分为栅格地图和几何特征地图。
移动机器人
3
5.1 地图表示及构建
栅格地图 拓扑地图
特征地图 直接表征法地图
5.1 地图表示及构建
栅格地图 栅格地图的主要思想是把环境空间分解为局部单元并用它们是否被障碍占据来 进行状态描述。
移动机器人
5.2.2 基于激光点云的路面分割
原因： ➢ 移动机器人通常需要快速识别可行驶区域； ➢ 地面点会对后续的目标识别造成很大的干扰。 传统的方法主要有基于几何特征的方法和平面模型优化的方法。
移动机器人
5.2.2 基于激光点云的路面分割
• 基于几何特征的方法是根据地面点与非地面点的几何特征不同而进行路面分 割的，常用的有高度阈值法、法向量法、栅格高度差法和平均高度法方法等。
定距离搜索其他节点，如果两个节点在三维空间中满足某些条件则建立一条边， 边的权重是两个点在三维空间中的距离。 建好的无向图利用基于图的分割算法即可得到聚类结果。 这种方法建图的速度非常快，其建图的结果和直接在三维点云中建图相比非常 接近。
移动机器人
5.2.4 基于激光点云的目标检测与识别
对于移动机器人某些特定任务，仅仅检测出目标是不够的，还需要识别出目标的 类别来。
用0-1之间的概率值来描述栅格有障碍物的概率。
移动机器人
5.1 地图表示及构建
栅格地图 优点： 1、简单、直观，能够精确地表示移动机器人的工作环境。 2、地图本身对不确定性信息进行了描述，有利于进行多传感器信息融合的地图构 建。 3、为移动机器人的导航、避障、规划、定位等提供了基础。 4、匹配临时局部栅格地图能够检测运动物体。 缺点：
移动机器人
5.2.3 基于激光点云的车道线检测
多次回波：一束激光脉冲在传播过程中被多次反射，每次反射距离不同，光敏系统 按一定时间间隔接收并解析到从不同距离反射回来的激光脉冲，这样就可以利用一 束激光测得两次以上的距离值。
IBEO激光雷达具有特殊的三次回波技术，即每束激光脉冲将返回三个回波。 由于反射率能够很好地反映物体特征，而物体反射率决定IBEO回波脉冲宽度特性，
（4）平均高度法首先使用预处理分割出路面点，然后计算得到路面点的平均高度， 最后以平均高度为阈值再进一步分割得到路面。 • 一般会结合其它路面分割方法使用，而不能单独使用。
移动机器人
5.2.2 基于激光点云的路面分割
利用最优化方法找到点云中的平面，即平面拟合，常用的方法有最小二乘法和随 机抽样一致性算法RANSAC。
5.2.1 激光点云 激光雷达测量的数据为激光发射器到障碍物的距离R和激光线水平旋转角度α。此外，
一般还会提供激光反射强度I和采样时间。
根据激光线与水平面的俯仰 角ω，可以计算出激光测量点在 三维空间以激光中心构建的坐 标系下的坐标。
移动机器人
激光点云数据主要有以下一些特征： 1、精确。 2、稀疏。 3、无序性。 4、点与点之间的关联性。 5、旋转性。
• 红色竖直线将道路和道路两旁的其它杂物分割开来，两条红色线之间可见路面和 车道线的区别：路面的回波宽度在2米左右，车道线的回波宽度在4米左右。
5.2.3 基于激光点云的车道线检测
可通过最小类内方差算法找到路面与车道线的分割阈值。 最小类内方差利用方差来评估和调整分类阈值，从而实现自适应阈值进行两分类。
应用较广泛的目标识别算法可分成两大类：基于几何模型匹配的目标识别方法和 基于特征描述的目标识别方法。
（1）基于几何模型匹配 需要自行构建匹配模型库，将待识别的目标与模型库中场景目标进行比较，找
出最相似的模型作为该目标的类别。具有代表性的有基于体相关器的方法。
移动机器人
5.2.4 基于激光点云的目标检测与识别
主要有基于投影的方法、 基于体素网格的方法、 基于原始激光点云的方法、 基于视觉和激光雷达数据融合的方法。
移动机器人
5.2.4 基于激光点云的目标检测与识别
（1）基于投影的方法 将点云数据沿某个方向投影，将3D点云转换为2D视图，然后在投影的2D图像
上利用深度神经网络来进行目标检测和识别，再反变换得到3D目标。
（2）基于特征描述 研究的是如何提取待测目标的有效特征，再利用分类器对目标进行分类。 这些特征有方向特征、高度特征、反射强度特征、曲率特征等等，还有将点云
映射成图像，利用图像特征提取方法来描述点云特征的。
移动机器人
5.2.4 基于激光点云的目标检测与识别
基于深度学习的算法效果大幅优于传统学习算法。
导致无法正确分割路面。 • 对平行路面的障碍物平面点无法有效区分。
移动机器人
5.2.2 基于激光点云的路面分割
（3）栅格法首先根据栅格尺寸生成栅格，计算每个栅格最低点与最高点高度差， 通过比较高度差与预设高度差阈值大小来对栅格进行分类。最后，根据栅格的分 类对栅格内激光点进行分类。
移动机器人
5.2.2 基于激光点云的路面分割
移动机器人
5.1 地图表示及构建
拓扑地图 拓扑地图由位置节点和节点间的连线（边）组成，把环境建模成一张具有拓扑意义 的图，忽略了具体的几何特征数据。 优点：不必精确描述不同节点间的地理位置关系，图形抽象，表示方便，易于扩展， 可以实现快速路径规划。 缺点：由于信息的抽象性，使得机器人难以实现精确可靠的自定位：探测环境中存 在两个或者两个以上相似地点时，并且机器人从不同路径进行探测时，使用拓扑地图很 难分辨是否为同一节点。
现有的数据。
5.2.3 基于激光点云的车道线检测
目前激光雷达检测车道线主要有四种方法：
1、基于回波宽度法：根据激光雷达回波宽度，对路面和车道线进行分类； 2、基于反射强度法：根据激光雷达反射强度信息形成的灰度图，或者根据反射强度 信息与高程信息配合，来筛选出车道线； 3、基于高精度地图法：基于激光的SLAM与高精度地图配合来检测车道线，同时进 行自主定位； 4、推算法：利用激光雷达能够获取路沿高度信息或物理反射信息不同的特性，先检 测出路沿。若道路宽度已知，根据距离再推算出车道线位置。
当在大型环境中或栅格单元划分比较细时，栅格法计算量迅速增长，需要大量 内存单元，使计算机的实时处理变得很困难。
移动机器人
5.1 地图表示及构建
特征地图 特征地图主要是依赖移动机器人从所探测环境的信息中提取抽象的具有几何特 征的数据来构建地图。 优点：定位准确，环境模型易于被描绘与表示，地图的参数化设置也适用于 路径规划与运动控制， 缺点：需要特征提取等预处理过程，对传感器噪音也比较敏感，只适于高度 结构化环境。
说明模型不合适，弃之，返回第一步。 4、根据一致性集合中的数据，用最小二乘法重新估计模型。
移动机器人
5.2.2 基于激光点云的路面分割
最小二乘法和RANSAC法的比较： 最小二乘法是从整体误差最小的角度去考虑，尽量不忽略一个数据。 RANSAC算法假设数据具有某种特性（目的），为了达到目的会适当割舍一些
移动机器人
5.2.4 基于激光点云的目标检测与识别
距离图：每个像素值表示对应点到激光中心原点的距离。黑色的部分是缺少对应 的点云信息，其他的不同颜色则代表不同距离。
移动机器人
5.2.4 基于激光点云的目标检测与识别
获得激光点云的距离图后，可以用距离图构建无向图来进行目标检测。 图的每一个像素代表一个节点，以每一个节点为中心在距离图二维平面上以一
（1）面分割
• 最小二乘法在噪音较少的情况下，拟合效果较好，如图（a）； • 当数据误差太大，噪音较多时，最小二乘法将失效，如图（b），RANSAC算法可以
很好地解决 。
移动机器人
5.2.2 基于激光点云的路面分割
（2）RANSAC RANSAC的思想在于为了找到点云的平面，不停地改变平面模型 的参数，找出能使得这个模型拟合最多的点的参数。
5.2.2 基于激光点云的路面分割
RANSAC算法的步骤如下： 1、从观测数据中随机选择一个子集，估计出适合于这些子集的模型。 2、用这个模型测试其它的数据。根据损失函数，得到符合这个模型的点的集合，称 为一致性集合。 3、如果足够多的数据都被归类于一致性集合，说明这个估计的模型是正确的；反之，
移动机器人
第五章 移动机器人感知
目录
第五章 移动机器人感知
5.1 地图表示及构建 5.2 基于激光雷达的感知 5.3 基于视觉的感知
5.1 地图表示及构建
环境建模：建立机器人所工作环境的各种物体如障碍、路标等的准确的空间位置 描述，即空间模型或地图。
建图需要关注以下问题：1、便于理解和计算。2、方便扩展。 3、便于定位。
最小类内方差： 1）首先，使用一个初始阈值将整体数据分成两个类，通过每类的方差来评估分类是 否最优。 2）如果两个类的内部方差和越小则每一类内部的差别就越小，那么两个类之间的差 别就越大。 3）不断调整阈值，直到使得类内方差和最小。
移动机器人
5.2.4 基于激光点云的目标检测与识别
基于激光点云的目标检测：从采集的激光点云数据中经过数据预处理，剔除掉复 杂的地形场景中的大量路面点，通过目标分割等算法找出可能存在的感兴趣区域ROI， 从而锁定目标区域。
MV3D-Net：将激光点云投影到多个视图中以及通过前置摄像头获得图像，提取 相应的视图特征，融合这些特征进行精确的物体识别。
移动机器人
5.2.4 基于激光点云的目标检测与识别
1. 输入：鸟瞰图、前视图和二维RGB图像； 2. 分别对三种输入提取特征，从鸟瞰图特征中计算候选区域，并分别向另外两幅图中进行
映射； 3. ROI池化为每一个模态获得相同长度的特征向量； 4. 把整合后的数据进行融合； 5. 通过分类和回归网络获得目标类别及目标位置。
移动机器人
MV3D-Net
5.2.4 基于激光点云的目标检测与识别
(2)基于体素网格的方法 运用体素来建立3D网格，从而实现点云的目标识别。Telnet是基于体素网格的
（1）高度阈值法根据校准后点云高度进行分割，通过设定阈值将点云分为地 面点和障碍物点。
移动机器人
5.2.2 基于激光点云的路面分割
（2）法向量方法假设地面点的法向量为竖直的，首先计算校正后激光点的法 向量值，然后根据设定的法向量阈值进行分类。 • 当激光雷达竖直倾斜角度过大时，地面点的法向量很可能不满足假设条件，
常用的视图有前视图和鸟瞰图。 ① 前视图：将三维空间中的点投影到以激光为中心的圆柱形表面上，然后展开该
圆柱形为二维图片。 ② 鸟瞰图：将点云的Z轴信息转换成以点云X轴和Y轴形成的2D图像中的像素信息。
牺牲了高度特征，保持了物体的物理尺寸。
移动机器人
5.2.4 基于激光点云的目标检测与识别
投影方法会丢失点云中的一些信息，无法解决目标遮挡或堆叠的情况。MV3DNet采用多个视图融合的方法来弥补信息损失的不足。
因此可以利用回波脉冲宽度的差异对目标进行区分。
移动机器人
5.2.3 基于激光点云的车道线检测
• W表示回波脉冲宽度，d表示扫描目标的距离，A、B、C三次回波分别有着不同的脉冲 宽度，且回波距离也各不相同。
• 根据目标物体固有的相关脉冲宽度，便可区分出哪个才是真正的目标。
移动机器人
5.2.3 基于激光点云的车道线检测
5.1 地图表示及构建
直接表征法 直接表征法是直接使用传感器读入的数据来描述环境，一般用于基于视觉传 感器建图。 优点：传感器数据本身比特征或栅格这一中间表示环节包含了更丰富的环境 描述信息。 缺点：数据存储量大，环境噪声干扰严重，特征数据的提取与匹配困难，使 其应用受到一定限制。
移动机器人
5.2 基于激光雷达的感知
基于激光点云的目标识别：是指将检测到的目标通过数据分析或处理，得到该目标 确切的类别。
移动机器人
5.2.4 基于激光点云的目标检测与识别
• 传统方法有基于数学形态学的目标检测方法、基于特征的目标检测方法和基于图 像处理的目标检测方法。
（1）基于数学形态学：主要是对点云数据进行形态学目标检测。 （2）基于特征：先获取目标高度、曲率、边缘、阴影等特征，然后进行条件筛选， 最后利用聚类或重组的方法得到目标。 （3）基于图像处理：将激光点云数据转换成图像，如根据点云的距离值转换成距 离图等，然后利用图像处理算法进行目标检测。
典型的地图表示方法有尺度地图、拓扑地图、直接表征地图和混合地图。尺度 地图又分为栅格地图和几何特征地图。
移动机器人
3
5.1 地图表示及构建
栅格地图 拓扑地图
特征地图 直接表征法地图
5.1 地图表示及构建
栅格地图 栅格地图的主要思想是把环境空间分解为局部单元并用它们是否被障碍占据来 进行状态描述。
移动机器人
5.2.2 基于激光点云的路面分割
原因： ➢ 移动机器人通常需要快速识别可行驶区域； ➢ 地面点会对后续的目标识别造成很大的干扰。 传统的方法主要有基于几何特征的方法和平面模型优化的方法。
移动机器人
5.2.2 基于激光点云的路面分割
• 基于几何特征的方法是根据地面点与非地面点的几何特征不同而进行路面分 割的，常用的有高度阈值法、法向量法、栅格高度差法和平均高度法方法等。
定距离搜索其他节点，如果两个节点在三维空间中满足某些条件则建立一条边， 边的权重是两个点在三维空间中的距离。 建好的无向图利用基于图的分割算法即可得到聚类结果。 这种方法建图的速度非常快，其建图的结果和直接在三维点云中建图相比非常 接近。
移动机器人
5.2.4 基于激光点云的目标检测与识别
对于移动机器人某些特定任务，仅仅检测出目标是不够的，还需要识别出目标的 类别来。
用0-1之间的概率值来描述栅格有障碍物的概率。
移动机器人
5.1 地图表示及构建
栅格地图 优点： 1、简单、直观，能够精确地表示移动机器人的工作环境。 2、地图本身对不确定性信息进行了描述，有利于进行多传感器信息融合的地图构 建。 3、为移动机器人的导航、避障、规划、定位等提供了基础。 4、匹配临时局部栅格地图能够检测运动物体。 缺点：
移动机器人
5.2.3 基于激光点云的车道线检测
多次回波：一束激光脉冲在传播过程中被多次反射，每次反射距离不同，光敏系统 按一定时间间隔接收并解析到从不同距离反射回来的激光脉冲，这样就可以利用一 束激光测得两次以上的距离值。
IBEO激光雷达具有特殊的三次回波技术，即每束激光脉冲将返回三个回波。 由于反射率能够很好地反映物体特征，而物体反射率决定IBEO回波脉冲宽度特性，
（4）平均高度法首先使用预处理分割出路面点，然后计算得到路面点的平均高度， 最后以平均高度为阈值再进一步分割得到路面。 • 一般会结合其它路面分割方法使用，而不能单独使用。
移动机器人
5.2.2 基于激光点云的路面分割
利用最优化方法找到点云中的平面，即平面拟合，常用的方法有最小二乘法和随 机抽样一致性算法RANSAC。
5.2.1 激光点云 激光雷达测量的数据为激光发射器到障碍物的距离R和激光线水平旋转角度α。此外，
一般还会提供激光反射强度I和采样时间。
根据激光线与水平面的俯仰 角ω，可以计算出激光测量点在 三维空间以激光中心构建的坐 标系下的坐标。
移动机器人
激光点云数据主要有以下一些特征： 1、精确。 2、稀疏。 3、无序性。 4、点与点之间的关联性。 5、旋转性。
• 红色竖直线将道路和道路两旁的其它杂物分割开来，两条红色线之间可见路面和 车道线的区别：路面的回波宽度在2米左右，车道线的回波宽度在4米左右。
5.2.3 基于激光点云的车道线检测
可通过最小类内方差算法找到路面与车道线的分割阈值。 最小类内方差利用方差来评估和调整分类阈值，从而实现自适应阈值进行两分类。
应用较广泛的目标识别算法可分成两大类：基于几何模型匹配的目标识别方法和 基于特征描述的目标识别方法。
（1）基于几何模型匹配 需要自行构建匹配模型库，将待识别的目标与模型库中场景目标进行比较，找
出最相似的模型作为该目标的类别。具有代表性的有基于体相关器的方法。
移动机器人
5.2.4 基于激光点云的目标检测与识别
主要有基于投影的方法、 基于体素网格的方法、 基于原始激光点云的方法、 基于视觉和激光雷达数据融合的方法。
移动机器人
5.2.4 基于激光点云的目标检测与识别
（1）基于投影的方法 将点云数据沿某个方向投影，将3D点云转换为2D视图，然后在投影的2D图像
上利用深度神经网络来进行目标检测和识别，再反变换得到3D目标。
（2）基于特征描述 研究的是如何提取待测目标的有效特征，再利用分类器对目标进行分类。 这些特征有方向特征、高度特征、反射强度特征、曲率特征等等，还有将点云
映射成图像，利用图像特征提取方法来描述点云特征的。
移动机器人
5.2.4 基于激光点云的目标检测与识别
基于深度学习的算法效果大幅优于传统学习算法。
导致无法正确分割路面。 • 对平行路面的障碍物平面点无法有效区分。
移动机器人
5.2.2 基于激光点云的路面分割
（3）栅格法首先根据栅格尺寸生成栅格，计算每个栅格最低点与最高点高度差， 通过比较高度差与预设高度差阈值大小来对栅格进行分类。最后，根据栅格的分 类对栅格内激光点进行分类。
移动机器人
5.2.2 基于激光点云的路面分割
移动机器人
5.1 地图表示及构建
拓扑地图 拓扑地图由位置节点和节点间的连线（边）组成，把环境建模成一张具有拓扑意义 的图，忽略了具体的几何特征数据。 优点：不必精确描述不同节点间的地理位置关系，图形抽象，表示方便，易于扩展， 可以实现快速路径规划。 缺点：由于信息的抽象性，使得机器人难以实现精确可靠的自定位：探测环境中存 在两个或者两个以上相似地点时，并且机器人从不同路径进行探测时，使用拓扑地图很 难分辨是否为同一节点。
现有的数据。
5.2.3 基于激光点云的车道线检测
目前激光雷达检测车道线主要有四种方法：
1、基于回波宽度法：根据激光雷达回波宽度，对路面和车道线进行分类； 2、基于反射强度法：根据激光雷达反射强度信息形成的灰度图，或者根据反射强度 信息与高程信息配合，来筛选出车道线； 3、基于高精度地图法：基于激光的SLAM与高精度地图配合来检测车道线，同时进 行自主定位； 4、推算法：利用激光雷达能够获取路沿高度信息或物理反射信息不同的特性，先检 测出路沿。若道路宽度已知，根据距离再推算出车道线位置。
当在大型环境中或栅格单元划分比较细时，栅格法计算量迅速增长，需要大量 内存单元，使计算机的实时处理变得很困难。
移动机器人
5.1 地图表示及构建
特征地图 特征地图主要是依赖移动机器人从所探测环境的信息中提取抽象的具有几何特 征的数据来构建地图。 优点：定位准确，环境模型易于被描绘与表示，地图的参数化设置也适用于 路径规划与运动控制， 缺点：需要特征提取等预处理过程，对传感器噪音也比较敏感，只适于高度 结构化环境。
说明模型不合适，弃之，返回第一步。 4、根据一致性集合中的数据，用最小二乘法重新估计模型。
移动机器人
5.2.2 基于激光点云的路面分割
最小二乘法和RANSAC法的比较： 最小二乘法是从整体误差最小的角度去考虑，尽量不忽略一个数据。 RANSAC算法假设数据具有某种特性（目的），为了达到目的会适当割舍一些
移动机器人
5.2.4 基于激光点云的目标检测与识别
距离图：每个像素值表示对应点到激光中心原点的距离。黑色的部分是缺少对应 的点云信息，其他的不同颜色则代表不同距离。
移动机器人
5.2.4 基于激光点云的目标检测与识别
获得激光点云的距离图后，可以用距离图构建无向图来进行目标检测。 图的每一个像素代表一个节点，以每一个节点为中心在距离图二维平面上以一
（1）面分割
• 最小二乘法在噪音较少的情况下，拟合效果较好，如图（a）； • 当数据误差太大，噪音较多时，最小二乘法将失效，如图（b），RANSAC算法可以
很好地解决 。
移动机器人
5.2.2 基于激光点云的路面分割
（2）RANSAC RANSAC的思想在于为了找到点云的平面，不停地改变平面模型 的参数，找出能使得这个模型拟合最多的点的参数。