自律走行アプリケーションでは、使用されるLiDARの種類はほとんどが3D LiDARです。このようなセンサーは、周囲の3D点群表現を提供するために、センサーから異なる傾斜角度で伝搬する複数の回転レーザービームを使用します。
フィルタリング
データのフィルタリングは、必要な効果に応じてさまざまな方法で行うことができます。いくつかの例としては、点群内の特定の点/面/領域に対して、事前知識を用いた条件フィルタによる直接フィルタリングや、形状が事前にわかっている場合はパラメトリックモデルフィルタによるフィルタリングがあります。統計的外れ値除去を使用した物体周辺のノイズデータの除去、ボクセルグリッドアプローチを使用した高密度3D LiDAR点群のボクセルへのダウンサンプリング、RANSACアルゴリズムを使用した接地面の除去。
セグメンテーション
人間の目はもともと、ノイズの多い背景から物体や形状を効率的に検出するように進化してきた。ノイズの多い点群画像を見て、あらゆる物体や形状を指し示すことができる。しかし、このプロセスを機械にプログラムするのは簡単ではない。以下に、点群セグメンテーションアルゴリズムの例をいくつか示す。
RANSACアルゴリズムを使って、点群に適合する表面平面を見つけることができる（例えば、地面と近くの建物の表面）。このセグメンテーション処理は、異なる形状（例えば円柱）の事前知識がある場合にも使用できる。
リージョン・グローイング・アルゴリズムは、滑らかさ制約の観点から十分に近い点をマージし、それによってオブジェクト表面に属するクラスタを作成する。
分割統治戦略によって点群処理速度を向上させるために、ある中心位置からの距離に基づいて点群内の点を分割することができる（ユークリッドクラスタリング）。
ボクセル化を使って物体の特徴を特定する
ノイズの多い画像から物体を検出するアルゴリズムの能力をぼかしが向上させるのと同じように、我々のシステムは点群データから顕著な特徴を特定するために構築することができる。2D画像解析では、画像をオーバーセグメンテーションし、類似したピクセルを持つ領域（スーパーピクセルと呼ばれる）をグループ化することで、計算コストの高いアルゴリズムが後で考慮しなければならない領域の数を減らすことができます。3D LiDARデータの場合、オーバーサンプリングされたノイズの多い3D点群データはスーパーピクセル（スーパーピクセルの3Dアナログ）にクラスタリングされます。
結論
点群データ処理は、LiDARセンサーシステムの重要な側面です。L4Bソフトウェアは、カメラ、LiDAR、レーダーを含む自動車システムの開発と統合のための完全な製品ライフサイクル管理を提供します。
