[首發于智駕最前沿微信公眾號]自動駕駛系統想“看清”周圍的世界，可通過多個傳感器來完成，激光雷達由于可以提供豐富的三維點云信息，一直是很多方案的主要選擇。激光雷達的工作原理也非常簡單，其不斷發射激光脈沖，激光遇到物體后反射回傳感器，通過測量激光來回的時間，就可以計算出物體到車輛的距離。

這樣重復數百萬次，還能生成一堆具有空間坐標的點，也就是大家熟知的點云，這些點組成了周圍環境的三維模型。點云里不僅有路面、建筑、行人，也有樹木、車輛甚至交通標志。這些三維點云就是自動駕駛系統理解和交互現實世界的重要基礎。

圖片源自：網絡

在自動駕駛的感知鏈路里，點云數據要經過噪聲過濾、坐標轉換、地面點分割等預處理，這些步驟可以幫助車輛將原始數據整理成更有意義的信息。地面點是一個特別重要的類別，它能幫助自動駕駛系統理解可行駛區域和障礙物邊界。

激光雷達的每一個返回點都包含三個基本量，即橫坐標X、縱坐標Y以及高度Z。有時還會記錄激光的回波強度值，這個值反映了激光與表面材料的反射強弱。不同材質對激光的反射強度不一樣，但這比起距離信息來說更容易受到角度、表面狀態等因素影響，因此常被作為輔助特征。

地面與非地面的基本區分邏輯

在點云處理中，一個很常見的任務是“地面分割”。所謂地面分割，就是把代表路面、裸地、草地等的點，從點云中挑出來，把非地面點（比如車輛、行人、樹木等）單獨留出來，這樣可以讓后續的目標檢測、碰撞規避等算法處理起來更清晰。很多算法是根據點的高度變化、鄰近點的坡度關系，或是統計整體曲率等來判定一個點是不是地面。如基于斜率的算法，會將激光點沿一個方向排列，通過它們高度差與一定閾值比較找到相對平坦且連續的點云區域，這類區域一般就代表地面。

這些地面分割方法在城市道路場景里很常見，是自動駕駛感知的基礎步驟。分割好地面點后，非地面點就可以被聚類，進一步識別為車輛、行人、欄桿等其他物體。地面分割的關鍵在于算法能否正確抓住地面本身連續、低起伏的空間特點。

在理想情況下，地面的高程在一個小區域內是相對平滑且連續的，這便于數學模型將其從點云里分離出來。而且點云分類還可以更精細，除地面之外，還能分類出建筑物、植被、線路、水體等，這在專業點云處理領域是標準做法。美國攝影測量與遙感學會（ASPRS）甚至制定了統一的點云分類標簽，其中就編號2表示地面，編號9表示水體等分類。

ASPRS制定的點云分類標簽

水面在激光雷達點云里是如何表現的？

地面和水面雖然看起來都是平的表面，但激光雷達看待它們的方式并不一樣。地面對大多數激光雷達常用的近紅外激光（波長通常在900–1064nm區間）有比較穩定的反射，因此當雷達脈沖打到硬質地面時，大部分激光能被反射回傳感器，形成清晰的點云，這也是地面分割算法能有效的原因。

圖片源自：網絡

水面對近紅外激光的吸收則較強，在平靜、清澈的水域，激光脈沖會被水面吸收，難以形成清晰穩定的回波。這在點云中的體現是非常明顯的，水面區域會表現為點云稀疏，甚至出現“空洞”，這就是激光雷達未能接收到足夠的反射信號導致的。

基于這個原理，地面和水面的區分就會非常明顯，如果某個區域的點云非常稀疏，特別是在車輛運動軌跡附近的低洼區域，那么這個區域就有可能是水面，而不是地面。點云分類器在預處理階段就能利用這種特點來標記潛在的水體區域。當然，這種方法并不完美，因為在實際駕駛場景中，積水、濕滑地面、淺水或泥濘路面也會導致點云稀疏或噪聲增多。

當然,如果水面粗糙、有波動或雜質（比如有風、有泡沫、懸浮物），雷達激光會在水面產生散射及反射，這些回波有時候能被激光雷達捕捉到，但這些點一般是分布不規則，噪聲多且密度較低的。這跟地面那種規則連續的點云明顯不一樣。

還有一點需要明確的是，這些來自水面的反射信號與地面等實體表面的穩定回波不同。水面點云大多源于波動、雜質或特定入射角度導致的偶然反射，并不是來自水面本身清晰的幾何結構。因此，依靠點云數據區分水面與地面，只能是識別方法的一部分，而不是唯一依據。

為什么僅靠點云本身難以完美區分水面？

點云本身只能反映激光返回的空間點，并不會像攝像頭那樣反饋顏色、紋理等信息。在區分地面與水面時，如果僅依托激光雷達，很難做到非常完美的區分。

激光雷達是基于激光發射與接收的時間差進行測距的，其信號能否返回、返回的強度與質量，均取決于物體表面的反射特性。水面對近紅外激光具有較強的吸收作用，因此在多數情況下，激光在水面無法返回有效信號，導致該位置在點云中呈現為“無數據”的狀態。

此外，像被雨水打濕的路面、積水坑洼或泥濘表面等，也會改變激光的反射行為，使點云表現出類似不規則噪聲的形態。這使得依賴幾何特征的算法很難用統一規則將其歸類為水面或地面。簡單來說，僅依據點云的幾何形狀與高度分布，有時難以區分“濕路面”究竟是實心地面上覆蓋的積水，還是開放的水體。

激光雷達點云本身也不包含材質或顏色信息，僅提供距離與反射強度兩類數據。反射強度雖然可以在一定程度上輔助材質判別，但其受反射角度、表面粗糙度、傳感器差異等多種因素影響，因此不能作為穩定可靠的水體或地面判斷依據。

正因如此，行業內不會僅依賴激光雷達點云完成水體識別。在完整的自動駕駛系統架構中，還會融合如攝像頭圖像、毫米波雷達數據及高精地圖等其他信息源。攝像頭能提供顏色與紋理特征，有助于將點云中的“空洞”區域結合視覺信息進行確認；毫米波雷達在某些場景下對水體也有不同的反射特性，可作為有效的感知補充。通過多傳感器融合，系統能夠更可靠地識別水面及其它復雜道路狀況。

最后的話

激光雷達通過發射激光測量距離，但水面容易吸收激光，常導致信號缺失，在三維點云中呈現空洞。潮濕路面等也會造成干擾激光雷達的點云形成，因此，僅憑激光雷達難以可靠區分水面與地面，需要結合攝像頭和毫米波雷達等傳感器的數據，共同完成識別。

審核編輯 黃宇