文章会对本书第五章节及以后章节进行总结概括。每日更新一部分。一起读书吧。
第五章------基础点云处理
重点：点云的相邻关系是许多算法的基础
5.1 激光雷达传感器与点云的数学模型
5.1.1激光雷达传感器的数学模型
雷达有两种：机械旋转式激光雷达；固态激光雷达
单个激光探头可测量：某空间点离自身的距离，记作 r
RAE模型------ 距离 r ， 方位角 A （水平的航向角）， 俯仰角 E
5.1.2 点云的表达
（留个悬念：在很多算法里我们会问：离某个点最近的是哪个点？这个点和周边的点一起呈现了什么形状？为了实现这些功能，我们必须引入一些特殊的数据结构）
我们存储点云信息，最方便是定义点云结构体
可储存的信息除了点云的x，y，z坐标，还有反射率，所属线束，RGB颜色信息。
来自RGBD相机的点云，还可以储存每个点在图像中的行数和列数信息。
还有整个点云的位置和姿态等。
5.1.3 Packet的表达
雷达与计算机通过udp通讯，包里面有用的信息有两个：物体的探测距离与反射率。
不过对算法来说，我们还是更希望直接访问每个点的坐标，所以Packet通常作为压缩后的数据，在驱动程序，原始传感器数据包或者地图压缩等模块中使用。
5.1.4 俯视图和距离图
俯视图干什么用？
很多规划算法如A*，D*等，需要用栅格地图来规划，点云转栅格，得到的栅格地图就是俯视图，在转栅格之后，大部分的障碍物信息都可以的到有效的保留，但某些动态物体在地图中出现了拖影现象。第六章会介绍栅格地图的概率机制，可以有效抑制动态物体的影响。
距离图干什么用？
距离图，取图像的横坐标为激光雷达的方向角，纵坐标为俯仰角，这种投影为距离图。
我们可以从距离图中提取出垂直方向上的物体作为定位的特征。比如哪些是地面，哪些是杆子。
5.2最近邻问题
最紧邻问题的描述：
在一个含n个点 {x1,x2,...xn} 的点云中，离某个点xm最近的点是哪一个？离它最近的k个点又有哪些？或者与它距离小于固定范围r的点有哪些？前者成为k近邻查找（knn），后者称为范围查找。
5.2.1 暴力最近邻法
也叫BF最近邻搜索
5.2.2 栅格与体素方法
栅格最近邻
体素最近邻
5.2.3 二分树与K-d树
K-d树的构建
K-d树的查找
5.2.4四叉树与八叉树
八叉树的构建
八叉树的查找
5.3拟合问题
5.3.1平面拟合
5.3.2平面拟合的实现
PCA
5.3.3直线拟合
5.3.4直线拟合的实现
待续...每日更新