使用低分辨率激光雷达（LIDAR）在地面移动式机器人上，来估算树木的高度、胸径（DBH）以及树冠体积

《Science of Remote Sensing》：Using low-resolution LIDAR on a ground-based agile robot to estimate height, DBH and crown volume of trees

机器人载激光雷达多姿势扫描及高效分割方法在植被结构参数估计中的应用研究。采用波士顿动力Spot机器人搭载EAP模块和VLP-16激光雷达，通过多姿势扫描策略扩展垂直视场角至±60度，点云密度提升超800%。结合2D辅助分割算法和自动优化流程，开发了地面到冠层的结构参数提取系统。实验表明，该方法对22株Erythrina variegata和36株Ficus altissima的胸径（RMSE=4.5cm）、树高（RMSE=29.27cm）和冠层体积（R2=0.895）的估计精度优于传统方法，且在复杂地形和遮挡环境下仍保持较高鲁棒性。

　　这项研究探讨了使用一种基于地面的四足机器人（“Spot”，来自Boston Dynamics）及其增强自主性载荷（EAP）模块和Velodyne VLP-16激光雷达传感器，对树木的结构参数进行测量的可能性。传统的手动调查方法在效率、准确性和一致性方面存在不足，容易受到观察者主观偏差的影响。因此，研究者希望通过自动化的方法，提高对树木高度、胸径（DBH）和冠层体积的测量精度，并在复杂环境中实现更高效的数据采集。

研究的重点是城市公园中58棵树的测量，其中包括22棵“Erythrina variegata”和36棵“Ficus altissima”。这些树木的高度范围在4.3米至7.2米之间。公园中的树木周围存在岩石边界、木质藤蔓以及各种地表结构，这使得数据采集和处理变得更加复杂。为了确保数据的一致性，参考测量和激光雷达扫描在同一日完成。

在数据采集过程中，研究者采用了多姿态扫描策略，通过调整机器人在不同位置的姿态（包括滚转、偏航和俯仰角度），模拟出更宽的垂直视场角（从±15度扩展到±60度），并提高了点云密度，使其增加了超过800%。这种策略有效减少了遮挡问题，从而提供了更完整的树木图像。此外，由于激光雷达数据的获取和处理受到机器人核心模块的影响，仅能获得XYZ坐标，而无法获取原始的高分辨率点云数据。因此，研究者在处理数据时，采用了七处扫描位置，每个位置执行了19种不同的扫描姿态，总共采集了133个扫描数据。

为了提高点云的质量和结构分析的准确性，研究者开发了一套预处理流程，包括多点云配准和点云分割。首先，通过Open3D的多方式ICP（迭代最近点）算法，将每个扫描位置的19个点云进行配准，生成每个位置的点云模型。然后，将这些位置的点云进行进一步配准，形成整个研究区域的点云模型。这一过程引入了一个“位置”标量字段，用于记录每个点的来源，从而在后续处理中排除遮挡区域的点云数据。最终的配准点云实现了2.09厘米的根均方误差（RMSE），显著提高了点云的精度和密度。

在点云分割方面，研究者采用了一种高效的2D辅助分割方法，该方法结合了手动2D轮廓绘制和自动精炼过程。手动轮廓绘制主要用于从点云的俯视图中快速隔离树木，而自动精炼过程则通过两个关键过滤技术（半径异常值去除和基于位置的贡献过滤）来提高分割的准确性。通过这些步骤，研究者得到了58个独立的树木点云模型，这些模型被用于后续的结构参数估算。

对于结构参数的估算，研究者首先通过直方图分析确定了树木的基部位置，从而为树木高度和胸径的测量提供了可靠的基础。树木的分割算法利用了点云的x和y轴直方图中的峰值来定位树干区域，通过修剪操作排除了地表和冠层的干扰点，从而提高了树干检测的准确性。同时，通过将树干区域与地面区域进行区分，研究者能够更精确地估算树木的高度。这一过程还结合了对树干的水平窗口划分，使得在估算胸径时能够更加准确地定位树干的测量位置。

在估算胸径时，研究者首先根据直方图分析确定了树干区域，并将其划分为一个水平窗口。随后，通过计算球形指数（SI）来判断树木是否为分叉树。SI的计算基于点云的协方差矩阵，通过比较最小和最大特征值来确定树木的形状是否接近圆柱体。对于分叉树，研究者采用K-means聚类算法将树干区域分割为两个独立的部分，从而得到两个胸径估算值。对于非分叉树，只需估算一个胸径值。这一方法在分叉树的识别中达到了100%的准确率，显示出其在结构分析中的强大能力。

在估算冠层体积时，研究者首先通过自动识别冠层点，将冠层区域与树干和地表区域进行区分。然后，对冠层点进行聚类分析，并使用凸包方法估算每个聚类的体积。为了提高估算的准确性，研究者引入了一个基于总凸包体积的指标——每个聚类的凸包体积（CVPC），并设定了一个CVPC阈值（60立方米），以区分需要分割为多个部分的大型冠层与可以视为单一冠层的小型冠层。通过这种方法，研究者能够更准确地估算冠层体积，并在一定程度上减少了因遮挡导致的估算偏差。

在评估结构参数估算的准确性时，研究者采用了多种指标，包括RMSE、rRMSE、MAE、MPE和MAPE。树木高度的估算结果显示，RMSE为29.27厘米，rRMSE为5.23%，MAE为23.1厘米，MPE为-0.846%，MAPE为4%。尽管某些重叠冠层的树木导致了较大的误差，但超过50%的估算值误差低于MAE，表明该方法在估算树木高度方面具有较高的可靠性。胸径的估算结果为RMSE 4.5厘米，rRMSE 18.93%，MAE 3.16厘米，MPE -2.95%，MAPE 13.55%。尽管某些树木由于分支点或遮挡导致了较高的误差，但超过70%的估算值误差低于MAE，显示出该方法在胸径估算方面的稳健性。

冠层体积的估算结果表明，R2值达到了0.895，远超许多现有方法的性能。尽管某些遮挡严重的树木导致了较大的误差，但整体上该方法在冠层体积估算方面表现出色。此外，研究者还测试了不同的CVPC阈值，发现当CVPC设定在55立方米、60立方米和65立方米时，R2值分别达到0.871、0.895和0.892，表明该方法在冠层体积估算中的灵活性和适应性。

研究还讨论了使用Spot EAP模块进行3D植被测绘的优缺点。尽管该模块原本设计用于增强导航功能，但研究者成功地利用其移动性和载荷能力，采集了高质量的点云数据。然而，该方法仍存在一些限制，例如扫描位置的选择依赖于人工视觉评估，缺乏优化策略，以及未对单棵树木进行地理配准，这限制了其在大规模植被监测中的应用。未来的研究可以考虑将无人机影像数据与该方法结合，以实现更自动化的树木定位和结构参数分配。

在讨论高效2D辅助分割方法的优缺点时，研究者指出，该方法通过简化手动轮廓绘制和自动精炼过程，减少了传统手动分割所需的时间和人力投入，同时保持了较高的分割精度。然而，该方法仍然依赖于手动轮廓绘制，这在处理大规模数据时可能成为限制因素。未来的研究可以探索更自动化的方法，如结合无人机影像数据，以减少手动干预。

在结构参数估算的讨论中，研究者指出，他们的方法在估算树木高度、胸径和冠层体积方面均达到了较高的精度，部分指标甚至优于现有文献中的方法。例如，与Heo等人（2019）相比，他们的方法在胸径估算中表现出更高的准确性，同时在冠层体积估算中达到了更高的R2值。此外，该方法通过结合多种技术，如多姿态扫描、自动精炼和地形校正，为复杂的环境提供了更可靠的结构参数估算。

总体而言，这项研究展示了地面敏捷机器人在植被结构分析中的潜力，尤其是在提高数据采集效率和准确性方面。尽管当前方法仍需一定的手动干预，但其性能已接近或超过现有文献中的方法。未来的研究可以进一步优化参数调整策略，提高自动分割的准确性，并探索更复杂的环境适应性，以实现更全面和自动化的树木结构分析。