激光雷达点云是否能有效识别地面与水面？
在自动驾驶系统中，传感器是构建环境感知能力的关键组件。其中，激光雷达因其能够提供高精度的三维空间信息，广泛应用于各类感知方案。其工作原理相对直观：激光雷达不断发射激光脉冲，这些脉冲在接触到物体后反射回传感器，系统根据脉冲往返所需时间，计算出目标物体与车辆之间的距离。
通过重复数百万次这一过程，激光雷达生成由三维坐标构成的点云集合，这些点云精确地描绘出车辆周围的环境。其中可能包括路面、建筑物、行人、树木、车辆以及交通标志等要素。点云数据不仅是自动驾驶系统构建空间认知的基础，也是后续目标检测与路径规划的重要依据。
在感知系统的处理流程中，点云数据需经过噪声去除、坐标变换、地面点分割等预处理步骤，以提取出更有价值的信息。尤其是地面点的识别，对于判断车辆可行驶区域和障碍物边界具有关键意义。
每个激光雷达返回点都包含X、Y、Z三个空间坐标。部分传感器还会记录回波强度，用于辅助分析表面材质。尽管不同材质的反射特性各异，但回波强度易受入射角度和表面状况影响，因此通常被作为辅助参数。
地面与非地面的初步区分逻辑
在点云处理过程中，地面分割是一项常见任务。其目标是从点云中分离出表示地面的点，将非地面点（如车辆、行人、树木等）单独提取出来，以便于后续的目标识别和避障处理。常用方法包括基于高度变化、邻域坡度关系或整体曲率分析等。
例如，基于斜率的方法会将点云按某一方向排列，通过高度差与设定阈值比较，识别出相对平坦且连续的点群，这些区域通常对应于地面。此类方法在城市道路等场景中广泛应用，是自动驾驶感知处理的基本环节。
理想的地面特征是局部区域内高程变化平缓且连续，这为数学模型提取地面点提供了良好的条件。此外，点云分类还可以进一步细化，除了地面外，还能识别出建筑物、植被、水体等要素。美国摄影测量与遥感学会（ASPRS）便制定了标准化的点云分类体系，其中地面被标记为编号2，水体则为编号9。
ASPRS点云分类标签体系
激光雷达如何捕捉水面的特征？
尽管地面与水面在外观上都呈现为平坦表面，但激光雷达对两者的感知方式存在差异。地面通常对近红外激光（波长900–1064nm）表现出较高的反射率，因此能形成清晰、连续的点云，为地面分割算法提供可靠数据。
相比之下，水面对近红外波段的吸收较强，尤其是在平静、清澈的水域中，激光脉冲容易被吸收，难以形成稳定的回波信号。这使得水面区域在点云中通常表现为点密度稀疏甚至“空洞”状态，直观上可作为水体识别的线索。
基于这一现象，点云分类器可以通过识别低密度点云区域，标记可能的水体。然而，实际道路环境中，积水、湿滑地面或泥泞路面也可能表现出类似特征，导致识别误差。
此外，当水面受到波浪、泡沫或悬浮物影响时，激光在水面的反射呈现为不规则分布，点云中表现为噪声大、密度低的特征，与地面点的规则形态形成明显对比。
值得注意的是，水面点云多由特定角度或波动条件下的反射产生，并非反映水体本身的几何结构。因此，仅依靠点云数据识别水面，难以达到高度准确。
为何单凭点云难以完美识别水面？
激光雷达点云本质上仅描述空间中的离散点，缺乏颜色、纹理等视觉信息，因此在区分地面与水面方面存在一定局限。激光雷达通过测距原理工作，其信号能否返回以及返回质量，直接取决于目标表面的反射特性。
水面对近红外激光的强吸收性，使得其在多数情况下难以产生有效回波。这导致水面区域在点云中呈现为“无数据”状态。同时，路面在雨水或积水影响下，其点云形态也会发生改变，表现出类似噪声的不规则分布。
因此，基于点云高度和几何特征的识别方法在面对复杂地面状态时，难以实现稳定区分。激光雷达本身也不提供材质或颜色信息，虽然回波强度能在一定程度上反映材质特性，但其稳定性受限于传感器型号、入射角度及表面状态。
鉴于此，当前自动驾驶系统普遍采用多传感器融合策略。除了激光雷达，还会引入摄像头、毫米波雷达及高精地图等数据源。摄像头提供颜色与纹理信息，有助于确认点云中“空洞”区域是否为水体；毫米波雷达在某些情况下对水面有特定反射响应，可作为有效补充。借助多模态数据融合，系统能更可靠地识别水体与复杂道路状况。
结语
激光雷达通过发射和接收激光脉冲实现距离测量，但在水体场景中，由于激光被吸收，常在点云中形成空洞区域。湿滑路面、积水或泥泞地表也可能干扰点云的形成。因此，仅依赖激光雷达难以准确区分地面与水面，通常还需结合摄像头和毫米波雷达等传感器数据，以提升识别的可靠性。
-- END --
原文标题：激光雷达点云能分清地面和水面吗？