激光雷达点云能否有效区分地面与水面？
自动驾驶系统要准确“感知”周围环境，通常依赖多种传感器协同工作。其中，激光雷达因其能够提供密集的三维空间信息，成为多数系统中的核心感知组件。其工作原理较为直观——通过持续发射激光脉冲，当激光遇到物体后反射回传感器，系统便能根据回波时间计算物体与车辆之间的距离。
这一过程不断重复，最终形成由数百万个具备三维坐标的点组成的点云，构建出车辆周围环境的立体模型。这些点云中包含了地面、建筑、行人、树木、车辆及交通标志等多种物体，是自动驾驶系统理解并交互现实世界的基础。
在点云数据的处理流程中，通常会进行去噪、坐标转换和地面点分割等预处理步骤。这些处理手段旨在将原始点云转化为更结构化、更有意义的数据。其中，地面点的识别尤为重要，因为它有助于系统判断可行驶区域与障碍物边界。
激光雷达的每个点通常包含横坐标X、纵坐标Y以及高度Z，部分系统还会记录激光回波强度，用以反映激光与物体表面的反射能力。尽管不同材质对激光的反射特性各异，但回波强度通常受反射角度、表面状态等多种因素影响，因此主要作为辅助特征使用。
地面点与非地面点的识别逻辑
在点云处理中，地面分割是一项常见任务。其核心目标是从点云中提取地面点（如道路、裸地、草地），并将非地面点（如行人、车辆、树木）分离出来，便于后续算法进行目标识别和避障处理。
许多地面分割算法依赖于点的高度变化、局部坡度或曲率等特征。例如，基于斜率的分割方法会将点云沿某个方向排列，通过比较相邻点的高度差与设定阈值，识别出连续且相对平坦的区域，这些区域通常代表地面。
此类地面分割技术在城市道路中广泛使用，是自动驾驶感知流程中的基础环节。分割出地面点后，非地面点可以进一步聚类，识别为车辆、行人、护栏等目标。关键在于算法是否能准确捕捉地面的连续和平整特性。
在理想条件下，地面区域的高程变化较小，便于模型将其从点云中分离出来。此外，点云分类可进一步细化至建筑物、植被、水体等，这在专业处理中已是标准操作。例如，美国摄影测量与遥感学会（ASPRS）制定的点云分类标准中，就将编号2定义为地面，编号9定义为水体。
水面在激光雷达点云中的表现特征
尽管地面与水面在视觉上都可能是平坦的，但在激光雷达的视角下，它们的点云特征存在显著差异。
地面表面通常对近红外激光（波长约为900–1064nm）具有良好的反射性能，因此能产生稳定且清晰的点云，为地面分割算法提供明确依据。相比之下，水面对激光的吸收较强，特别是在平静且清澈的水域中，激光脉冲往往无法产生有效回波，导致点云数据稀疏，甚至在某些区域出现“空洞”。
因此，如果点云中某一区域表现出明显的点密度下降，尤其是在车辆可行驶路径附近的低洼地带，该区域很可能是水体。点云分类器可以在预处理阶段利用这一特性，初步识别潜在的水面区域。
然而，这种方法并非毫无缺陷。现实环境中，湿滑路面、积水、泥泞等都会导致点云密度下降或噪声增加，从而干扰水体识别的准确性。
此外，如果水体表面存在波浪、泡沫或悬浮物，激光可能会产生散射或不规则反射，形成的点云通常较为杂乱、密度低，与地面点云的规律性明显不同。
更重要的是，水面点云往往源于反射角度、波动状态等偶然因素，并非水体本身的几何结构所决定，因此仅依赖点云数据难以准确区分水面与地面。
仅依靠点云数据难以准确识别水面的原因
激光雷达的点云数据本质上反映的是激光回波的空间位置，不包含颜色、纹理等视觉信息。因此，在识别地面与水面时，仅依赖点云数据存在较大局限。
激光雷达通过测距原理工作，其信号是否能返回并形成有效点云，取决于目标表面的反射特性。由于水体对近红外激光的吸收作用较强，多数情况下，激光在水面无法产生回波，点云中出现“空洞”是常见现象。
同时，像被雨水打湿的路面、积水坑或泥泞地面等，也会改变激光的反射行为，使点云表现出不规则的噪声分布。这种情况下，依赖几何特征的算法难以准确判断该区域是水面还是地面。
激光雷达的点云数据仅提供距离和反射强度两种信息。虽然反射强度能在一定程度上帮助判断材质特性，但其受反射角度、表面粗糙度、传感器差异等因素影响较大，因此不能作为稳定可靠的水体或地面识别依据。
正因为如此，行业内普遍采用多传感器融合的方式进行水体识别。在完整的自动驾驶系统中，除了激光雷达，还会结合摄像头图像、毫米波雷达数据以及高精地图等信息。摄像头可以提供颜色和纹理信息，有助于将点云中的“空洞”区域与视觉信息匹配确认；毫米波雷达在某些场景下对水体也有不同的反射特征，可作为有效补充。
结语
激光雷达通过发射激光获取距离信息，但水面对激光具有较强的吸收特性，常导致信号缺失，在点云中表现为“空洞”。同时，潮湿路面、积水等也会干扰点云的形成，因此，仅凭激光雷达难以可靠区分地面与水面，需要结合摄像头和毫米波雷达等传感器的信息，实现更准确的识别。
— END —
原文标题：激光雷达点云能分清地面和水面吗？