光達資料處理（LiDAR Processing）是什麼？

這是所有後續分析的基礎，旨在提升點雲資料的品質。

• 感測器原理：LiDAR感測器主要透過「飛行時間」（Time-of-Flight, ToF）原理或「相位偏移」（Phase Shift）原理來測量距離。ToF測量雷射脈衝往返時間，而相位偏移則測量連續波雷射的相位差。理解感測器特性有助於選擇合適的處理方法。
• 雜訊濾波：移除點雲中的異常點或雜訊。
  • 統計濾波 (Statistical Outlier Removal, SOR)：基於點的鄰域統計特性（如平均距離或標準差）來識別和移除離群點。如果一個點與其鄰近點的平均距離顯著大於預設閾值，則被視為離群點。
  • 半徑濾波 (Radius Outlier Removal)：移除在指定半徑範圍內鄰居點數量少於閾值的點。
  • 直通濾波 (Pass-through Filter)：根據點的X、Y、Z座標範圍進行裁剪，移除超出感興趣區域的點。
• 降採樣 (Downsampling)：減少點雲的資料量，同時盡可能保留其幾何結構，以提高處理效率。
  • 體素網格濾波 (Voxel Grid Filter)：將點雲空間劃分為三維體素（Voxel），每個體素內的所有點用一個代表點（通常是體素的重心或中心點）來替代。這不僅減少了點數，還實現了點雲的均勻化。
• 點雲配準 (Registration)：當從不同視角、不同時間或多個感測器獲取點雲時，需要將它們轉換到一個共同的座標系中。
  • 迭代最近點 (Iterative Closest Point, ICP)：最經典的配準演算法之一。它迭代地尋找兩個點雲之間最近點對，然後計算最佳的旋轉和平移矩陣來最小化這些點對之間的距離，直到收斂。
  • 法向量分佈變換 (Normal Distributions Transform, NDT)：將點雲表示為一系列高斯分佈，透過匹配這些分佈來實現配準，對雜訊和初始位置敏感度較低。

從點雲中計算出描述其局部幾何或物理特性的資訊，這些特徵是後續分割和分類的基礎。

• 幾何特徵：
  • 法向量 (Normal Vectors)：描述點雲表面方向，對於識別平面、邊緣和角點至關重要。通常透過點的鄰域進行主成分分析（PCA）來估算。
  • 曲率 (Curvature)：描述點雲表面的彎曲程度，可用於區分平坦區域和邊緣。
  • 線性度、平面度、散射度：透過鄰域點的協方差矩陣特徵值分析，可以判斷局部區域是線狀、平面狀還是散亂狀。
  • 高度資訊：點相對於地面的高度，對於區分地面、低矮植被和高層建築非常有用。
• 強度特徵：雷射脈衝反射回來的強度值，不同材質對雷射的反射率不同，可用於區分瀝青、水泥、金屬等。
• 顏色特徵：若LiDAR與RGB相機融合，可以為點雲賦予顏色資訊，增加語義豐富度。

將點雲劃分為多個有意義的子集，每個子集通常代表一個獨立的物體或具有相同屬性的區域。

• 基於區域生長 (Region Growing)：從一個或多個「種子點」開始，根據預設的相似性準則（如法向量方向、曲率、顏色或強度相似性）將鄰近點逐步添加到當前區域，直到無法再添加點為止。
• 基於模型擬合：利用RANSAC等演算法，迭代地尋找點雲中符合特定幾何模型（如平面、球體、圓柱體）的點集，將其分離出來。例如，RANSAC常用於提取地面平面。
• 基於聚類 (Clustering)：
  • DBSCAN (Density-Based Spatial Clustering of Applications with Noise)：一種基於密度的聚類演算法，能夠發現任意形狀的簇，並有效處理雜訊。它將密度足夠高的點分組為簇，而將低密度區域的點標記為雜訊或離群點。
  • K-means：將點劃分為K個簇，但需要預設K值，且對球形簇效果較好。
• 基於深度學習：直接從原始點雲中學習特徵並進行端到端分割，能夠處理複雜的語義分割任務。

為分割後的每個點或每個物件賦予語義標籤，例如地面、建築物、植被、車輛、行人等。

• 傳統機器學習：先從點雲中提取手工特徵（如高度、強度、幾何特徵），然後使用支援向量機（SVM）、隨機森林（Random Forest）或梯度提升樹（Gradient Boosting Trees）等分類器進行訓練和預測。
• 深度學習：
  • PointNet/PointNet++：直接處理原始點雲的先驅網路，PointNet學習點級特徵，PointNet++則引入了多尺度特徵學習，能處理點雲的不規則性。
  • KPConv (Kernel Point Convolution)：基於卷積核的點雲處理方法，將傳統卷積的概念推廣到非歐幾里得空間的點雲上，提高了特徵提取能力。
  • RandLA-Net：針對大規模點雲設計的輕量級網路，透過隨機採樣和局部特徵聚合，實現高效且高精度的語義分割。
  • 圖卷積網路 (Graph Convolutional Networks, GCNs)：將點雲構建成圖結構，利用圖卷積操作來學習點之間的關係和特徵。

在分類的基礎上，識別出特定的物件（如車輛、行人），並在時序點雲中追蹤其運動狀態。

• 三維邊界框檢測 (3D Bounding Box Detection)：為識別出的物件生成精確的三維邊界框，提供其位置、尺寸和方向資訊。
• 物件追蹤：利用卡爾曼濾波器（Kalman Filter）或粒子濾波器（Particle Filter）等演算法，結合多幀點雲資料，對物件的運動狀態（位置、速度、加速度）進行估計和預測，實現連續追蹤。

實際應用

LiDAR資料處理是許多前沿AI應用不可或缺的基礎技術：

• 自動駕駛與機器人導航：
  • 環境感知：實時檢測和分類道路上的障礙物、其他車輛、行人、自行車等，為車輛提供360度的環境理解，是實現碰撞避免和安全導航的關鍵。
  • 定位與地圖構建 (Localization and Mapping, SLAM)：結合LiDAR、慣性測量單元（IMU）等感測器，自動駕駛車輛能夠在未知環境中實時構建高精度地圖，並同時確定自身在地圖中的精確位置。LiDAR SLAM在GPS訊號不良的區域（如城市峽谷、隧道）表現尤為出色。
  • 高精地圖 (HD Map)：LiDAR資料是構建高精地圖的核心輸入，這些地圖包含詳細的道路幾何、車道線、交通標誌、路邊設施等資訊，為自動駕駛車輛提供精確的導航和路徑規劃依據。
• 測繪與地理資訊系統 (GIS)：
  • 地形模型 (DEM/DTM) 和地表模型 (DSM) 生成：LiDAR能穿透植被獲取地面點，精確生成數字地形模型，並可生成包含地表所有物件的數字地表模型，用於水文分析、土地利用規劃、災害評估等。
  • 三維城市模型：高精度LiDAR點雲可用於快速、自動化地構建城市建築物的三維模型，廣泛應用於城市規劃、房地產開發、虛擬實境和智慧城市管理。
  • 基礎設施檢測與監測：自動檢測電線桿、橋樑、道路破損、鐵路軌道變形等，提高基礎設施維護效率和安全性。
• 林業與農業：
  • 植被結構分析：精確測量樹高、冠層密度、樹木體積和生物量，實現單木分割和樹種識別，對森林資源管理、碳匯估算和生態研究具有重要意義。
  • 作物監測：監測作物生長高度、密度和健康狀況，輔助精準農業中的灌溉、施肥和病蟲害管理。
• 建築與工程：
  • 施工進度監測：定期掃描施工現場，將點雲資料與建築資訊模型（BIM）進行對比，實時監測施工進度、檢測偏差和品質控制。
  • 建築物掃描與數位化：生成現有建築物的高精度三維模型，用於翻新、改造、歷史建築保護和設施管理。
• 安全與監控：
  • 入侵檢測：在特定區域內（如邊界、禁區）實時檢測和追蹤異常移動的物體或人員。
  • 人群密度分析與行為識別：在公共場所監測人群流量和分佈，識別潛在的異常行為。

常見誤區

在LiDAR資料處理的實踐中，經常會遇到一些常見的誤區，理解這些誤區有助於避免錯誤並提高處理效率和結果準確性：

• 誤以為原始點雲可以直接用於高層次應用：許多初學者可能會認為，只要獲取了LiDAR點雲，就可以直接進行物件識別或導航。然而，原始點雲通常包含大量雜訊、離群點、冗餘資訊，且缺乏語義標籤。未經預處理、分割和分類的原始點雲，其資訊量巨大但結構混亂，直接用於高層次應用會導致結果不準確、效率低下，甚至系統崩潰。因此，資料清洗和結構化是不可或缺的第一步。
• 忽略感測器校準的重要性：LiDAR感測器通常會與其他感測器（如相機、慣性測量單元IMU）融合使用。如果這些感測器之間的外部校準（即它們相對位置和姿態的精確關係）不準確，將會導致資料融合錯誤，例如點雲與影像無法精確對齊，進而影響定位、地圖構建和環境感知精度。精確的感測器校準是確保多感測器系統性能的基石。
• 過度依賴單一演算法解決所有問題：沒有一種「萬能」的LiDAR處理演算法可以適用於所有資料特性和應用場景。例如，基於幾何特徵的分割演算法在結構化場景（如建築物）中表現良好，但在非結構化或複雜場景（如茂密森林、混亂人群）中可能效果不佳。而深度學習模型雖然強大，但也需要大量的標註資料和計算資源。應根據具體的資料特性、應用需求和計算資源，靈活選擇和組合多種演算法。
• 對點雲密度和雜訊的影響認識不足：點雲的密度和雜訊水平對處理結果有顯著影響。低密度點雲可能導致細節丟失，使得小型物件難以被檢測或精確重建。高雜訊則會引入錯誤資訊，干擾特徵提取和分割。在處理前，應充分評估資料品質，並選擇合適的濾波和降採樣方法來優化資料，而不是盲目應用演算法。
• 混淆點雲分類與物件識別：分類通常是指為點雲中的每個點或每個分割區域賦予一個語義標籤（例如「地面」、「樹木」、「車輛」）。而物件識別則是在分類的基礎上，將這些具有相同語義標籤的點組合成一個具有特定語義的實體（例如「一輛車」、「一個人」），並可能進一步提取其邊界框、姿態和運動狀態。雖然兩者密切相關，但在概念和實現上有所區別，理解這種區別有助於更精確地設計和評估處理流程。

與相關技術的比較

LiDAR資料處理常與其他感測器技術和資料處理方法結合或比較，以實現更全面的環境感知能力：

• 與影像處理 (2D)：

  • LiDAR：提供精確的三維深度資訊，能夠直接測量物體的尺寸和距離，且不受環境光照變化的影響（如白天黑夜）。然而，原始LiDAR點雲缺乏紋理和顏色資訊（除非與RGB相機融合），資料稀疏且不規則，處理複雜。
  • 影像處理：提供豐富的紋理、顏色和語義資訊，透過傳統電腦視覺或深度學習技術，可以實現高層次的語義理解。但影像缺乏直接的深度資訊（除非使用立體相機或深度相機），且容易受光照、天氣、陰影等環境因素影響。
  • 互補性：LiDAR和影像處理是高度互補的。將LiDAR點雲與影像資料融合，可以結合兩者的優勢，例如將影像的顏色和紋理資訊映射到點雲上，或利用影像的語義分割結果輔助點雲的分類，從而實現更魯棒、更全面的環境理解。

• 與毫米波雷達 (Radar)：

  • LiDAR：具有極高的空間解析度，能夠精確重建環境的三維幾何結構，識別細小的物體。但其性能易受雨、霧、雪等惡劣天氣影響，雷射光束可能被水滴散射或吸收，且感測器成本相對較高。
  • 毫米波雷達：具有強大的穿透性，不受惡劣天氣（如雨、霧、雪）的影響，能夠在能見度極低的環境下工作。它還能直接測量物體的相對速度。然而，毫米波雷達的角解析度相對較低，難以精確識別物體的形狀和細節，點雲稀疏。
  • 互補性：在自動駕駛中，毫米波雷達通常用於提供全天候、遠距離的物體檢測和速度資訊，而LiDAR則提供高精度的局部環境細節和三維結構。兩者結合可以構建一個更安全、更可靠的感知系統。

• 與超音波感測器 (Ultrasonic)：

  • LiDAR：測量範圍廣（從數十米到數百米），精度高，適用於中遠距離的環境感知和地圖構建。
  • 超音波：成本低廉，測量距離非常短（通常在數米範圍內），精度相對較低，容易受到聲波反射和吸收的影響。主要用於近距離障礙物檢測、泊車輔助等簡單應用。
  • 互補性：超音波感測器通常作為LiDAR或雷達的補充，用於極近距離的防撞或泊車場景，提供最後一道安全防線。

• 與慣性導航系統 (INS/IMU)：

  • LiDAR：提供環境的幾何資訊，用於構建地圖和定位。但單獨的LiDAR在快速運動或點雲特徵稀疏的環境中，其定位精度和魯棒性可能受限。
  • INS/IMU：慣性測量單元（IMU）包含加速計和陀螺儀，提供感測器自身的角速度和線性加速度資訊，透過積分可以估計感測器的姿態（俯仰、滾轉、偏航）和位置。INS則在此基礎上融合GPS等資訊，提供更精確的絕對位置和姿態。
  • 互補性：LiDAR SLAM系統通常會深度融合IMU資料。IMU可以為LiDAR提供高頻率的運動估計，幫助預測感測器的姿態變化，從而提高點雲配準的初始值，增強在快速運動或LiDAR資料稀疏時的定位精度和系統魯棒性。這種融合是實現高精度、實時定位和地圖構建的標準做法。