在單次激光SLAM或者定位的過(guò)程中，動(dòng)態(tài)障礙物（如：移動(dòng)的車輛、行人等）會(huì)對(duì)SLAM或者定位造成兩個(gè)方面的負(fù)面影響：點(diǎn)云配準(zhǔn) 和 地圖構(gòu)建

針對(duì)點(diǎn)云配準(zhǔn)，動(dòng)態(tài)障礙物能造成最極端的情況是“當(dāng)一幀激光數(shù)據(jù)中的大部分（甚至100%）點(diǎn)云都是從動(dòng)態(tài)障礙物上返回的數(shù)據(jù)，那么該幀點(diǎn)云則沒(méi)有能力在reference scan（或者reference map）中找到correspondent points，點(diǎn)云的配準(zhǔn)就會(huì)失效，但在實(shí)際情況下，點(diǎn)云配準(zhǔn)時(shí)的query scan數(shù)據(jù)中受到動(dòng)態(tài)障礙物影響的點(diǎn)云個(gè)數(shù)是“有限的”，由此query scan中大多數(shù)的點(diǎn)云還是可以找到它們的correspondences，少數(shù)的異常量不會(huì)產(chǎn)生太大的干擾。另一方面，若是采用特征法進(jìn)行點(diǎn)云配準(zhǔn)，動(dòng)態(tài)障礙物在預(yù)處理階段也會(huì)被剔除，由此基于特征的配準(zhǔn)方法受到動(dòng)態(tài)障礙物的影響會(huì)更小。針對(duì)地圖構(gòu)建，動(dòng)態(tài)障礙物對(duì)點(diǎn)云地圖的構(gòu)建的影響在于會(huì)在最終生成的地圖中產(chǎn)生“鬼影”，而若簡(jiǎn)單使用在第一種情況中提到的特征點(diǎn)云構(gòu)建地圖的話，又會(huì)錯(cuò)誤地濾除掉很多實(shí)際需要的物體信息，導(dǎo)致地圖特征稀疏，難以進(jìn)一步處理，具體的影響可見(jiàn)以下圖示：

最后，一言以蔽之：（1）在點(diǎn)云配準(zhǔn)層面動(dòng)態(tài)障礙物過(guò)多會(huì)影響點(diǎn)云配準(zhǔn)的精度和魯棒性（導(dǎo)致配準(zhǔn)出現(xiàn)失效），（2）在地圖構(gòu)建層面時(shí)動(dòng)態(tài)障礙物會(huì)在地圖中形成“鬼影”，影響后期地圖的進(jìn)一步處理（路徑規(guī)劃、特征提取、定位，etc）。這里也推薦「3D視覺(jué)工坊」新課程《面向自動(dòng)駕駛領(lǐng)域的3D點(diǎn)云目標(biāo)檢測(cè)全棧學(xué)習(xí)路線！(單模態(tài)+多模態(tài)/數(shù)據(jù)+代碼)》。

首先，以移動(dòng)機(jī)器人（AGV類）的使用場(chǎng)景為例，其基礎(chǔ)使用場(chǎng)景是二維室內(nèi)環(huán)境，所以使用的SLAM算法和機(jī)器人位姿估計(jì)器模型都是基于2D平面操作。那基于2D平面場(chǎng)景，SLAM中最常見(jiàn)、最經(jīng)典的算法是gmapping、cartographer或者karto，定位中常用的算法是EKF、AMCL和ICP的組合，導(dǎo)航中的路徑規(guī)劃和運(yùn)動(dòng)控制就都是基于概率柵格地圖（pgm）的平面規(guī)劃了。由此可見(jiàn)，基于移動(dòng)機(jī)器人（AGV）的SLAM、定位和導(dǎo)航都離不開(kāi)概率柵格地圖（pgm），而在概率柵格地圖上最傳統(tǒng)和最有效的去除動(dòng)態(tài)障礙物的方法就是利用“ray casting算法”的柵格地圖概率的“更新”，而“更新”的最終目的是為了在柵格地圖上不留下動(dòng)態(tài)障礙物的hit點(diǎn)（此處的更新之所以打上引號(hào)，是因?yàn)楦赂怕蕱鸥竦哪Ｐ陀泻芏?，用引?hào)表示泛指）。

圖：失敗的“動(dòng)態(tài)障礙物hit點(diǎn)去除”（上）和成功的“失敗的動(dòng)態(tài)障礙物hit點(diǎn)去除” （下）

另一個(gè)會(huì)使用到SLAM和Localization的工程場(chǎng)景就是低速無(wú)人駕駛（或自動(dòng)駕駛）領(lǐng)域了，不管是使用高精地圖的“傳統(tǒng)”自動(dòng)駕駛方案，還是“重感知，輕地圖”的自動(dòng)駕駛策略，都還是或多或少地需要使用到“地圖”（此處的引號(hào)代表一系列的泛指，pgm地圖、點(diǎn)云地圖、語(yǔ)義地圖等），高精地圖的各個(gè)圖層中（語(yǔ)義圖層也好，矢量圖層也罷）都要求提取出精細(xì)的車道線、箭頭、路標(biāo)等特征并且肯定不會(huì)再包含動(dòng)態(tài)障礙物的信息，定位所使用的點(diǎn)云圖層也是要求盡可能地保證“干凈”無(wú)動(dòng)態(tài)障礙物點(diǎn)云干擾。在自動(dòng)駕駛領(lǐng)域中的動(dòng)態(tài)障礙物濾除思量上，一方面區(qū)別于AGV只針對(duì)2D的場(chǎng)景的操作，其需要濾除的障礙物是3D物體，另一方面除了地圖上不能留有動(dòng)態(tài)障礙物信息外，定位過(guò)程中的實(shí)時(shí)點(diǎn)云也需要盡可能地要求不受其動(dòng)態(tài)障礙物的影響且其定位過(guò)程中的動(dòng)態(tài)障礙物的濾除最好是在線的、實(shí)時(shí)的、高效地，以保證自動(dòng)駕駛的精度和魯棒性。

至此，不難得出一個(gè)結(jié)論：（1）AGV導(dǎo)航中動(dòng)態(tài)障礙物去除可以使用基于柵格地圖概率更新方式，本質(zhì)上是ray-casting，同時(shí)濾除過(guò)程可以容忍一定程度的“延遲”（概率更新需要多次、反復(fù)進(jìn)進(jìn)行以達(dá)到濾除的效果），（2）自動(dòng)駕駛過(guò)程中點(diǎn)云數(shù)據(jù)去除動(dòng)態(tài)障礙物是高精度地圖構(gòu)建的基礎(chǔ)任務(wù)，同時(shí)保證在線地、實(shí)時(shí)地動(dòng)態(tài)障礙物濾除能在一定程度上提升定位過(guò)程中精度和保證定位的魯棒性。

基于第一節(jié)中的闡述，相信大家都能體會(huì)到在SLAM和定位的工程應(yīng)用中動(dòng)態(tài)障礙物的過(guò)濾是一件對(duì)SLAM & Localization位姿輸出精度的提升效果有限，但是能極大地提升“用戶體驗(yàn)”的一個(gè)模塊，更重要的是動(dòng)態(tài)障礙物濾除模塊是一個(gè)完備導(dǎo)航系統(tǒng)的重要組成成分。

基于第二節(jié)中的描述，也可以發(fā)現(xiàn)在不同的工程應(yīng)用場(chǎng)景下，動(dòng)態(tài)障礙物濾除的具體要求也不相同，其一，工程師需要根據(jù)具體使用的場(chǎng)景和后續(xù)導(dǎo)航模塊需要的“地圖”來(lái)確認(rèn)動(dòng)態(tài)障礙物的濾除算法，比如2D場(chǎng)景下可以基于2D的概率柵格地圖，利用ray-casting的算法實(shí)現(xiàn)濾除，3D場(chǎng)景下需要基于3D點(diǎn)云地圖，利用特征提取或者聚類的方式去除點(diǎn)云地圖中的動(dòng)態(tài)障礙物點(diǎn)云；其二，根據(jù)使用場(chǎng)景的不同，動(dòng)態(tài)障礙物濾除的時(shí)機(jī)和時(shí)效也存在差異，例如2D場(chǎng)景下基于2D的概率柵格地圖的“更新”方式在濾除動(dòng)態(tài)障礙物信息的時(shí)候可以容忍一定程度的“延遲”，且2D定位時(shí)query scan中也不一定需要進(jìn)行動(dòng)態(tài)障礙物點(diǎn)云的過(guò)濾處理，但在3D場(chǎng)景下，更具體些，在自動(dòng)駕駛的使用場(chǎng)景下，定位過(guò)程就已經(jīng)需要盡可能地保證能在線實(shí)時(shí)地濾除動(dòng)態(tài)障礙物信息，在3D地圖的構(gòu)建過(guò)程中會(huì)有更多精細(xì)的處理以保證“地圖”不被動(dòng)態(tài)障礙物的信息污染。

至此，考慮“動(dòng)態(tài)障礙物濾除”算法應(yīng)用的層面，動(dòng)態(tài)障礙物去除算法模塊的使用分為兩個(gè)時(shí)機(jī)：（1）在線實(shí)時(shí)處理和（2）離線后處理。針對(duì)第一個(gè)“在線實(shí)時(shí)處理”，顧名思義就是在接收到每一幀（或者每一個(gè)batch）點(diǎn)云數(shù)據(jù)時(shí)，通過(guò)相鄰“單位點(diǎn)云數(shù)據(jù)”幀間的對(duì)比以分離動(dòng)態(tài)障礙物點(diǎn)云，然后再直接將“單位點(diǎn)云數(shù)據(jù)”中的動(dòng)態(tài)障礙物點(diǎn)云濾除，針對(duì)第二個(gè)時(shí)機(jī)：離線處理，此處的“離線”指的是區(qū)分“地圖構(gòu)建”與“位姿估計(jì)”這兩個(gè)階段，因?yàn)樵陔x線處理的前提是需要點(diǎn)云數(shù)據(jù)及其對(duì)應(yīng)的全局位姿信息，故而“離線地圖構(gòu)建”的階段需要在“位姿估計(jì)”階段后進(jìn)行，通常是在SLAM過(guò)程記錄關(guān)鍵幀的位姿及其對(duì)應(yīng)的點(diǎn)云數(shù)據(jù)，輸出給到“離線地圖構(gòu)建”的階段并在此階段內(nèi)對(duì)每一幀點(diǎn)云進(jìn)行動(dòng)態(tài)障礙物點(diǎn)云的去除。

由此，雖然在線實(shí)時(shí)的濾除方案可以保證時(shí)效性，但往往在線濾除的方法都存在動(dòng)態(tài)障礙物信息濾除不夠干凈的問(wèn)題，而離線后處理的方法雖然犧牲了實(shí)時(shí)性，但卻可以獲取SLAM周期內(nèi)的完整的軌跡信息作為參考信息并用以來(lái)識(shí)別動(dòng)態(tài)障礙物點(diǎn)云，以追求“極致的”動(dòng)態(tài)點(diǎn)云濾除的準(zhǔn)確性和充分性。

動(dòng)態(tài)障礙物濾除的算法既可以根據(jù)上文中基于時(shí)機(jī)來(lái)完成分類，也可以基于原理來(lái)進(jìn)行細(xì)分，大體上主要分為三類：

• （1）基于點(diǎn)云分割的濾除算法（segmentation-based method）：基于分割的方法中當(dāng)前比較主流的是基于深度學(xué)習(xí)的語(yǔ)義分割方法，通過(guò)前期的點(diǎn)云特征訓(xùn)練，在使用過(guò)程中直接標(biāo)注出點(diǎn)云中的動(dòng)態(tài)障礙物信息部分，在定位和建圖算法中根據(jù)點(diǎn)云中的標(biāo)注直接過(guò)濾即可，雖然濾除的內(nèi)容僅限于前期訓(xùn)練得到的模型且容易有假陽(yáng)性和假陰性的問(wèn)題，但其方法勝在簡(jiǎn)單高效。另一類傳統(tǒng)的點(diǎn)云分割的方法則基于聚類的模式，如快速點(diǎn)特征直方圖 ( fast point feature histograms， FPFH )、基于確定視角下的特征分布直方圖VFH(viewpoint feature histogram)，用以在靜態(tài)聚類中區(qū)分出動(dòng)態(tài)聚類，此類方法能夠改善計(jì)算成本提高實(shí)時(shí)性從而得到廣泛研究，再者就是基于區(qū)域（逆）生長(zhǎng)以分割混雜著動(dòng)態(tài)和靜態(tài)點(diǎn)云的目標(biāo)，識(shí)別出動(dòng)態(tài)點(diǎn)云目標(biāo)以便于后期濾除，等。

• （2）基于可見(jiàn)性的濾除算法（visibility-based method）：該類算法中是基于一個(gè)物理前提：“光沿直線傳播，如果在同一條光路上存在遠(yuǎn)、近兩個(gè)點(diǎn)云，則近側(cè)的點(diǎn)云肯定就是動(dòng)態(tài)點(diǎn)云”，基于可見(jiàn)性的方法在當(dāng)前的動(dòng)態(tài)障礙物識(shí)別和濾除的研究中十分火熱，且研究的重點(diǎn)除了提升算法效率外，就是研究怎么解決該方案中的局限性：“誤殺問(wèn)題”和“靜態(tài)點(diǎn)不可見(jiàn)”的問(wèn)題。其一，誤殺問(wèn)題包括但不限于點(diǎn)云自干擾、平行點(diǎn)差異導(dǎo)致的假陽(yáng)性、遮擋點(diǎn)誤判、接觸點(diǎn)假陽(yáng)性等一系列由于雷達(dá)點(diǎn)云的物理特性引發(fā)的誤殺問(wèn)題。其二，靜態(tài)點(diǎn)不可見(jiàn)的問(wèn)題相較于誤殺問(wèn)題會(huì)少見(jiàn)一些，但更加難以解決，例如當(dāng)存在動(dòng)態(tài)障礙物一直遮擋了部分或者全部的激光雷達(dá)的視線，則雷達(dá)沒(méi)有機(jī)會(huì)看到這些動(dòng)態(tài)障礙物后方的靜態(tài)物體信息以至于動(dòng)態(tài)障礙物點(diǎn)云永遠(yuǎn)不會(huì)被識(shí)別和濾除掉。

圖：基于可見(jiàn)性的濾除算法的動(dòng)態(tài)點(diǎn)云識(shí)別

• （3）基于柵格的濾除算法（voxel-based or ray-casting based method）：該方案是最為經(jīng)典和傳統(tǒng)的，其方案背后的物理前提與基于可見(jiàn)性的濾除方案一致，不同點(diǎn)在于其具體實(shí)現(xiàn)的時(shí)候需要結(jié)合柵格地圖（例如概率占據(jù)柵格、八叉樹(shù)柵格，etc），識(shí)別與區(qū)分靜態(tài)和動(dòng)態(tài)點(diǎn)的基本原理：激光點(diǎn)云所落在的柵格處hits計(jì)數(shù)+1或者占據(jù)概率上升，激光光束穿過(guò)的所有柵格misses計(jì)數(shù)+1或者空閑概率上升，通過(guò)統(tǒng)計(jì)同一柵格中hits和misses數(shù)量差值或者占據(jù)概率，以判斷柵格中包含的點(diǎn)云是否需要濾除。

圖：基于柵格的濾除算法的動(dòng)態(tài)點(diǎn)云識(shí)別