基于激光雷达单帧扫描反射强度与入射角的材质分类及加权最近邻方法

《Sensors》：Material Identification of Scanned Objects Based on the Classification of the Laser Reflection Intensity Profile Marcin S?omiany, Jacek Dyba?a, Grzegorz Gawdzik, Mateusz Macia? and Arkadiusz Or?owski

　　

研究人员提出一种基于二维激光雷达(LiDAR)单帧单光束回波(echo)反射强度(reflection intensity)与激光束入射角(incidence angle)的材质分类方法，通过引入归一化反射强度梯度(gradient of normalized reflection intensity)作为附加特征并结合加权最近邻(Weighted Nearest Neighbour, NN-W)分类器来改善传统距离与强度特征在材料依赖强度曲线相交区域产生的误分类问题。该方法首先对激光扫描线进行分裂—合并(split-and-merge)分段并局部拟合一次多项式以获得各采样点的表面切向及入射角α∈(?π/2,?+π/2)，计算归一化反射强度Inorm,i及其梯度ΔInorm,i，再采用带权重wI、wΔ的加权曼哈顿(或欧氏)距离度量进行1-NN分类。实验在标准(standard)、反光(reflective)及透明(transparent)材料上验证，最优权重配置wI=0.15、wΔ=1时NN-W对透明与标准材料的分类错误率显著低于仅基于距离的k-NN(KNN-D)与加入梯度的k-NN(KNN-G)，反光材料则仍以KNN-D(K=3)表现最佳。研究表明所提方法可有效提升LiDAR在含玻璃及抛光表面室内环境中的材质感知能力，适用于实时移动机器人感知系统。

论文解读——《Sensors》刊载：基于激光雷达单帧扫描反射强度与入射角的材质分类及加权最近邻方法

一、研究背景与意义

传统激光雷达(LiDAR/Laser Detection and Ranging)主要用于测距与建图，较少利用回波反射强度(reflection intensity / echo amplitude)进行材质识别。已有方法多基于距离或绝对强度峰值，未充分考虑不同材质依赖距离d与入射角α的反射强度曲线在特征空间中相交(overlap)导致的歧义问题，尤其对透明(transparent，如玻璃)与高反光(reflective，如镜面金属)材料区分困难。该研究旨在利用单帧二维LiDAR单光束回波(single-beam echo)，通过显式估计光束入射角(incidence angle, α)并计算归一化反射强度的局部梯度(gradient of normalized reflection intensity, ΔI_norm)，将其融入加权最近邻(Weighted Nearest Neighbour, NN-W)分类器，以缓解强度曲线相交区域的误分类，提升标准(standard)、反光及透明三类材料的识别准确率，对自主导航中玻璃与抛光表面的感知具重要应用价值。

二、主要关键技术方法

研究人员使用二维LiDAR采集不同材质(标准、反光、透明)在多个距离d与扫描角下形成的单帧扫描(single-frame scan)单光束回波数据集 D_d。关键技术步骤包括：(1)对Cartesian投影扫描点云做全局分裂—合并(split-and-merge)分段，递归检测最大偏离以提取线段边界；(2)对各段选局部坐标轴和一阶多项式(polyfit)拟合局部表面近似，求切向及激光束与表面法向夹角——入射角α并归一化至(?π/2,?+π/2)；(3)将原始强度按距离—材质标定曲线归一化为I_norm,i，按分段差分规则计算梯度ΔI_norm,i(首末点用前向/后向差分，内点用中心差分绝对值)；(4)构建特征向量(d, α, I_norm,i, ΔI_norm,i)形成扩展数据集 D_g；(5)对比距离—强度k-NN(KNN-D)、加入梯度特征的k-NN(KNN-G, K=3)及带权重w_I、w_Δ的1-NN加权NN-W(NN-W)，权重经网格搜索(grid search, 0–10, step 0.01)在训练子集确定，独立测试集仅作最终评估；(6)以TNR(True Negative Rate)、Recall、Precision、Accuracy、F₁及错误分类比(error classification ratio)为评价指标。

三、研究结果

Laser Scan Segmentation and Incidence Angle Estimation（激光扫描分段与入射角估计）

通过split-and-merge算法对扫描线分段并用polyfit求局部切线，成功估算各点入射角α，为后续强度—角度关系建模提供基础。

Normalized Reflection Intensity Gradient（归一化反射强度梯度）

定义ΔI_norm,i为相邻点归一化强度差的绝对值(内点)或边界前向/后向差×2，使梯度可作为区分重叠强度曲线的补充特征。

Results（结果——分类性能对比）

在标准、反光、透明材料三组对照实验中：NN-W(w_I=0.15, w_Δ=1)对透明材料(误分率1.15% vs KNN-D 4.6%)与标准材料(0.0% vs 4.46%)优于KNN-D(K=3)与KNN-G(K=3)；反光材料因梯度受强角度波动干扰，KNN-D(K=3, 误分率3.51%)仍最优，NN-W次之(7.89%)，KNN-G最差(23.68%)。仅用梯度特征(w_I=0, w_Δ=1)显著降低所有类别性能，证实梯度不能单独作为判别特征。最优NN-W权重经训练集网格搜索获得，测试集未参与调参。

四、讨论与结论（翻译浓缩自Discussion与Conclusions）

研究表明，在LiDAR单帧扫描基础上联合距离、入射角、归一化反射强度及其局部梯度，并通过加权最近邻(NN-W)进行分类，可有效削弱不同材料反射强度剖面相交引起的歧义，提升标准与透明材料识别率；对于反光材料，绝对强度特征(KNN-D)仍更稳健，梯度特征受表面取向剧变影响可靠性下降。该方法无需时序累积、多传感器融合或复杂训练模型，适用于配备标准2D LiDAR的移动机器人实时材质感知。未来工作将把方法扩展至局部地图与多线3D LiDAR数据，改进扫描分段及镜面反射干扰抑制。研究人员得出结论：所提NN-W分类器(w_I=0.15, w_Δ=1)在标准、反光与透明材料间提供可靠权衡，较纯距离或纯强度—梯度方法具更高鲁棒性，可集成于SLAM与运动规划以增强含玻璃与抛光表面环境中的自主导航感知能力。