Mid-360 动态障碍物检测：移动场景下点云聚类与运动目标分割

移动机器人在真实环境里行驶，周围不仅有静态的障碍物，还有动态的目标：迎面走来的人、移动的车辆、搬运的设备。能不能准确检测这些动态障碍物、并把它们和静态环境区分开，直接关系到避障安全和建图质量。Livox Mid-360（简称 Mid-360）提供 360° 的点云，是动态障碍物检测的数据来源，但移动场景给动态检测带来特殊难点：机器人自己在动、Mid-360 点云又是非重复扫描随时间累积的，动态目标在点云里的表现更复杂。这篇文章就从移动场景的需求出发，拆解基于 Mid-360 的点云聚类和运动目标分割，讲清动态障碍物检测的实现思路和关键点。

先理解移动场景下动态检测的难点

要设计动态障碍物检测方案，先要理解移动场景下它比静止场景难在哪，这些难点决定了方案要针对性地处理。

移动场景的第一个难点，是"静态和动态"的区分更复杂。机器人自己在移动，点云里所有物体相对机器人都在动：墙壁、货架这些静态物体，因为机器人移动，在点云里也在变化；真正移动的人、车，又叠加了自己的运动。要区分哪些是静态环境、哪些是真正动态的目标，需要从机器人自身的运动中把静态物体的相对运动扣除，才能看清哪些目标在独立运动。

第二个难点，是点云里时间信息的混叠。Mid-360 点云是随时间累积的（前面文章讲过非重复扫描），动态目标在不同时刻被扫到，位置在变化，累积的点云里动态目标会"拖影"、位置模糊，影响对动态目标位置和运动的判断。

第三个难点，是动态目标形态复杂。人的姿态、车辆的运动，让动态目标的点云形态多样、变化快，聚类和分割要能适应这些变化，才能稳定识别。

理解这几个难点，动态障碍物检测的方案就要围绕"扣除自运动、处理时间混叠、适应形态变化"来设计。

点云聚类：从点云到目标

动态障碍物检测的第一步，是把点云里属于同一个物体的点聚到一起，得到一个个候选目标，这就是点云聚类。

点云聚类的思路，是基于点的空间邻近关系，把距离近、可能属于同一个物体的点归为同一个簇。因为同一个物体的点通常是连在一起的、空间上相邻，聚类算法按空间邻近性把点分组，得到一个个独立的物体点簇。每个点簇就对应一个候选目标，包含这个物体的点云和空间范围。

在移动场景下做点云聚类，要结合 Mid-360 点云的特点。一是先做预处理（去畸变、滤波、降采样，前面文章讲过），把点云整理干净，去掉噪声点，聚类才不会被噪声干扰；二是考虑点云密度不均匀，Mid-360 中心密、边缘疏，不同距离、不同区域的点密度不同，聚类的距离阈值要按密度特点调整，避免在稀疏区域把物体漏掉、或在密集区域把物体错误合并；三是先分割地面，把地面点从点云里去掉，剩下的非地面点才做聚类，否则地面点和障碍物点混在一起，聚类会出错。

聚类的结果，是把点云切分成了一个个候选目标，为后续区分动态、静态打下基础。

运动目标分割：区分动态与静态

聚类出候选目标后，要区分哪些是动态目标、哪些是静态环境，这就是运动目标分割。

运动目标分割的思路，是把每个候选目标判断为动态还是静态。判断的依据，是目标是否在独立运动：扣除了机器人自身运动后，如果目标相对环境在移动，就是动态目标；如果目标相对环境静止，就是静态目标。怎么判断目标是否独立运动，可以通过跟踪多帧目标的位置变化：如果一个目标在连续帧里相对环境的位置明显变化，就是动态目标；如果位置稳定，就是静态目标。也可以结合机器人的运动状态，把机器人运动扣除后，看目标的剩余运动来判断。

在移动场景下做运动目标分割，要处理好自运动扣除和时间混叠。自运动扣除要用机器人自身的运动估计（可以用 IMU、里程计、或激光惯性定位）把环境因机器人移动而产生的"假运动"扣掉，才能看清目标的真实运动；时间混叠让动态目标在单帧点云里位置模糊，要结合多帧信息（跟踪目标在连续帧的运动轨迹）来判断动态、静态，单帧判断容易出错。

运动目标分割的输出，是把环境分成了静态背景和动态目标两类，动态目标被标记出来，供避障和建图分别处理。

落地时的关键考虑

基于 Mid-360 做动态障碍物检测，落地时有几个关键点需要特别把握。

第一个关键点，是动态和静态的处理要分开。动态障碍物用于避障：识别出移动的人、车，及时避让；而静态环境用于建图：建图时要把动态目标剔除，避免动态点污染地图（前面文章讲过语义、建图时要处理动态）。动态检测的准确性，直接影响避障安全和建图质量，动态目标漏检会导致避障不及时，动态点混入建图会导致地图不干净。

第二个关键点，是实时性和算力。移动场景要求动态检测实时，点云聚类、运动目标分割都要跟得上机器人的运动，在嵌入式平台上（前面文章讲过算力评估）要评估算力、做参数优化，保证实时检测。

第三个关键点，是结合其他传感器提高可靠性。单靠 Mid-360 点云判断动态目标，在遮挡、目标形态变化时可能不稳定，可以结合相机（视觉目标检测）、或者超声波等传感器，交叉验证动态目标，提高可靠性，尤其在人车混杂、动态目标多的场景。

整体来看，基于 Mid-360 的动态障碍物检测，在移动场景下要处理自运动、时间混叠、目标形态变化等难点。点云聚类通过预处理、分割地面、按密度调整聚类参数，把点云切分成候选目标；运动目标分割通过扣除自运动、结合多帧跟踪判断目标的独立运动，区分动态目标和静态环境。落地时要把动态目标用于避障、静态环境用于建图分开处理，保证实时性和算力，并结合其他传感器提高检测可靠性，才能让移动机器人在动态复杂环境里准确检测动态障碍物、安全避障、稳定建图。