激光雷达点云能否有效区分地面和水面
自动驾驶系统要实现对周围环境的精确感知，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高精度的三维点云数据，已成为众多解决方案中的关键传感器。其工作原理是通过不断发射激光脉冲，并测量激光从发射到返回所需的时间，从而计算出物体与传感器之间的距离。
这种操作过程重复数百万次后，便可生成一组带有空间坐标的点，即点云。这些点构成了周围环境的三维模型，内容涵盖路面、建筑物、行人、树木、车辆、交通标志等多种元素。可以说，点云数据是自动驾驶系统理解并交互现实世界的重要基础。
在点云处理流程中，原始数据通常会经历噪声过滤、坐标转换、地面点分割等多个预处理步骤。这些操作有助于将数据转化为更具意义的结构。其中，地面点识别尤为重要，因为它为系统提供了关于可行驶区域和障碍物边界的关键信息。
激光雷达返回的每一个点通常包含X、Y、Z三个空间坐标，部分设备还会记录激光回波强度。回波强度反映了激光与物体表面相互作用的强弱，但相较于距离信息，它更容易受到入射角和表面状态等因素影响，因此通常作为辅助特征。
地面与非地面的基本区分逻辑
地面分割是点云处理中一个常见的任务，其目标是将代表地面、草地等的点从点云中分离出来，同时保留车辆、行人、树木等非地面点，以便后续的目标识别与避障处理更加高效。常用的地面分割算法依据点的高度变化、邻近点的坡度关系或整体曲率来判断是否为地面。
例如，基于斜率的方法通常会将点云按某一方向排列，并通过高度差与设定阈值比较，识别出相对平整且连续的区域，这些区域通常代表地面。这类方法在城市道路等场景中被广泛采用，并作为感知系统的基本步骤。
在理想条件下，地面的高程在一个局部区域内表现出良好的连续性和平滑性，这使得数学模型可以有效地从点云中提取地面信息。此外，点云分类可以进一步细化，除地面外，还能识别出建筑物、植被、道路标识和水体等。美国摄影测量与遥感学会（ASPRS）也制定了统一的点云分类标准，其中编号2代表地面，编号9代表水体。
ASPRS点云分类标签
水面在激光雷达点云中的表现
尽管地面和水面在视觉上都可能呈现为平坦的表面，但激光雷达对它们的感知方式存在显著差异。对于地面，尤其是硬质表面，激光雷达发射的近红外激光（波长通常在900–1064nm之间）能获得稳定的反射信号，从而生成清晰的点云。这为地面分割算法提供了可靠依据。
然而，水面对近红外激光的吸收率较高，尤其是在平静、清澈的水域中，激光信号可能在抵达水面后被吸收，难以形成有效回波。这种现象在点云中表现为稀疏甚至缺失的区域，即所谓的“空洞”。这些特征成为区分水面与地面的关键线索。
在车辆运行轨迹附近的低洼区域，如果点云异常稀疏，则很可能是水体区域。点云分类器在预处理阶段即可利用这一特性，初步标记潜在的水体点。然而，该方法并非完美，因为积水、湿滑路面或泥泞区域也可能导致点云稀疏或噪声增加。
此外，如果水面存在波动、杂质或泡沫，激光在撞击水面时可能发生散射或反射，虽然部分信号可能被捕捉到，但这些点的分布通常不规则，密度低，与地面点云的连续性和规则性形成鲜明对比。
需要指出的是，这些来自水面的反射信号并不具备地面那样的几何稳定性，更多是由于波动、杂质或入射角变化导致的偶然反射。因此，基于点云的水体识别通常只是整个感知系统的一部分，而非唯一判断依据。
仅凭点云难以完美区分地面与水面的原因
点云本质上仅提供距离和反射强度数据，并不具备颜色、纹理等视觉信息。这使得激光雷达在区分地面与水面时面临一定局限性。其测距依赖于激光的发射与接收时间差，而信号能否有效返回，以及返回质量如何，均受到物体表面反射特性的制约。
例如，水面对近红外激光的吸收较强，通常导致点云数据缺失。此外，雨水打湿的路面、积水坑洼或泥泞地表等也会改变激光的反射行为，使得点云中出现类似噪声的不规则点。这类点难以通过几何特征统一归类为地面或水面。
由于激光雷达点云不含材质或颜色信息，仅能提供距离和反射强度两类数据，因此即使在反射强度上能够辅助识别材质，其准确性仍受到反射角度、表面状态和传感器差异等多重因素影响。因此，不能将其作为判断地面或水体的唯一依据。
基于上述原因，行业实践中通常不会仅依赖激光雷达点云完成水体识别。在完整的自动驾驶感知系统中，通常会结合摄像头图像、毫米波雷达数据以及高精度地图等多种信息源。摄像头能够提供颜色与纹理特征，有助于确认点云中“空洞”区域是否为水体；毫米波雷达在某些条件下对水体具有不同的反射特性，可作为有效的补充。
结语
激光雷达通过发射激光并测量其往返时间来构建三维环境模型。但由于水面对激光的吸收特性，常导致点云出现空洞现象。同时，潮湿路面等也可能干扰点云的形成。因此，仅依靠激光雷达点云难以精准区分地面和水面，通常需要结合摄像头、毫米波雷达等多传感器数据，实现更准确的环境识别。
-- END --
原文标题：激光雷达点云能分清地面和水面吗？