SS47816/lidar_obstacle_detector

功能概述

这个C++库处理3D LiDAR扫描（sensor_msgs/PointCloud2消息），以实时检测和跟踪障碍物（车辆、行人、墙壁等）。它支持ROS 1和ROS 2，并在单个CPU核心上运行——无需GPU（尽管存在可选的GPU模式）。输出包括定向边界框、对象ID、速度和占用栅格，可用于Nav2或Autoware等导航栈。

主要特性

• 地面分割 – 将地面点与物体分离，即使在坡道和路缘上也能工作（使用Patchwork++算法）。
• 聚类 – 将障碍物点分组为对象。
• 框拟合 – 为每个对象拟合定向边界框。
• 多对象跟踪 – 分配ID、估计速度，并使用卡尔曼滤波器+匈牙利匹配预测未来位置。
• 占用栅格 – 构建自由/占用空间的2D网格和3D体素云，可直接用于代价地图。
• 无需训练数据 – 默认管道是几何的、无模型的；可选的NVIDIA GPU检测器可以添加类别标签。
• 可复现基准 – 在Argoverse 2和nuScenes数据集上公开结果。

工作原理（管道）

1. 预处理 – 裁剪到感兴趣区域，移除自我车辆边界框内的点，并降采样（体素网格）。
2. 地面分割 – 分离地面和非地面点。默认的fast预置使用Patchwork++（最先进的方法）加上高程图细化来处理坡道。
3. 聚类 – 将非地面点划分为单个对象，使用三种方法之一（高度感知BEV网格、自适应欧几里得或普通欧几里得）。过大的聚类会被分割或报告为结构（例如墙壁、植被）——它们出现在占用栅格中，但不作为移动对象。
4. 框拟合 – 为每个聚类拟合定向边界框（L形、PCA或轴对齐）。
5. 跟踪 – 跨帧关联框，分配唯一ID，估计速度，并且（对于移动车辆）从运动推导航向方向。

预置

预置	地面方法	聚类	框拟合	跟踪	用途
fast（默认）	Patchwork++	BEV网格（高度感知）	L形	卡尔曼 + 运动航向	大多数机器人和车辆
accurate	Patchwork++	自适应欧几里得	L形	卡尔曼 + 运动航向	最佳召回率，2–4倍计算量
legacy	RANSAC	欧几里得	轴对齐	卡尔曼	模拟v1行为（无其缺陷）

基准亮点（来自README）

在Argoverse 2（32线激光雷达数据集）上：

• fast预置在单个CPU核心上以每扫描7.5毫秒（约95k点）运行，并达到Recall@1m为0.66（在地面真值框1米内找到的对象比例）。
• accurate将召回率提高到0.70，但需要约32毫秒。
• 跟踪比之前的v1版本稳定得多：ID切换从11,822降至1,725（fast），IDF1得分（身份感知F1）从0.20提高到0.73。
• 错误分类为地面的对象点比例从25%降至5%。

安装与使用

支持ROS 2（Humble、Jazzy）和ROS 1（Noetic）。使用colcon（ROS 2）或catkin（ROS 1）构建。还提供了pixi环境，无需系统安装ROS即可运行。

启动示例（ROS 2）：

ros2 launch lidar_obstacle_detector obstacle_detector.launch.py points:=/velodyne_points

发布诸如~/detections（带跟踪ID的框）、~/markers（用于RViz）、~/occupancy（栅格）等话题。

可选GPU检测器

通过使用-DLOD_WITH_TENSORRT=ON构建，可以使用NVIDIA的CUDA‑CenterPoint——一个训练好的神经网络，添加类别标签（汽车、行人等）和完整航向角。它在RTX 3090 Ti上每扫描约15毫秒运行。还存在hybrid模式，将几何检测器与CenterPoint结合，保留所有障碍物，包括网络未训练过的障碍物。

参数

所有参数都可以通过rqt_reconfigure或ros2 param set实时更改。关键参数包括：

• roi_{min,max}_{x,y,z} – 感兴趣区域。
• sensor_height – 激光雷达离地高度（用于地面分割）。
• cluster_threshold – 同一对象点之间的最大间隙。
• object_max_length / object_max_width – 更大的聚类将被分割或视为结构。
• occupancy_min_height / max_height – 被视为占用的高度带。

许可与可用性

MIT许可，附带Patchwork++代码为BSD-2-Clause。仓库包含单元测试、针对三个ROS版本的CI，以及可复现的基准管道。

以上所有事实均直接来自项目README。