铁路轨道的局部变形直接影响火车的高速安全行驶。为实现铁路轨道的自动化巡查，提出一种从车载激光点云中提取轨面与枕木的方法。首先，利用基于高程约束的欧氏聚类对原始点云数据进行预处理，得到路基区域；然后，对路基区域进行网格划分，并对每个网格内的点云进行高程判断，从而提取出轨面点云；最后，利用枕木与砟石的几何形态差异，设计出一种面向轨道点云的动态阈值分割方法，以提取枕木点云。对多个路段的铁路轨道进行实验，结果表明，本文方法仅利用点云坐标信息就能实现不同区域的轨面与枕木的自动检测，平均提取质量分别达到97.8%和93.6%，验证了本文方法的可行性与有效性。

在激光雷达检测障碍物过程中,由于点云近密远疏的特性,车辆的变速移动使得对物体进行分割时出现点云漂移和距离较近的物体难以被分割等现象,容易产生漏检或误检。为了解决此问题,提出一种基于点云射线角度约束的改进欧氏聚类算法,使障碍物检测更加快速准确,所提算法有效解决了点云密度不均匀导致的检测障碍物成功率较低的问题,同时对所提算法进行实车实验。实验结果表明,与传统欧氏聚类算法相比,所提算法能快速准确地对一定范围内的障碍物进行分割和聚类。

针对交通环境中障碍物及可通行区域检测的问题,利用改进欧氏聚类算法进行实时障碍物检测,提出一种相邻点云间距算法以实时提取道路可通行区域。对点云数据进行预处理,再通过地面坡度分离算法进行地面与非地面点云分离;根据不同的聚类距离阈值对非地面点云进行障碍物聚类检测,使用长方体框标记区分;将每个地面激光束固有的相邻点云间距与实际相邻两点间距离进行对比,结合相邻点角度差以及点云聚类,实现可通行区域的提取;融合障碍物检测和可通行区域提取结果,对可通行区域的通过性进行合并检测。多路况实车实验表明,本文算法能准确检测出障碍物及道路的可通行区域,检测平均准确率为94.13%,平均耗时为69 ms,满足智能车实时性的要求。

针对机器人随机箱体抓取过程中场景分割困难的问题, 提出一种基于改进欧氏聚类的散乱工件点云分割方法。采用直通滤波法和迭代半径滤波法进行预处理, 得到去除干扰点后的散乱工件点云; 通过基于法线夹角的边缘检测去除点云中的边缘点, 并使相互碰撞的工件在空间上产生分离; 采用改进的搜索半径自适应欧氏聚类进行点云分割, 得到多个工件点云子集, 基于距离约束将去除的边缘点补齐到点云子集之中, 从而完成点云分割。此外, 线下模板点云注册为分割参数的选取提供依据, 从而保证了分割结果的准确性, 提高了分割速度。结果表明：基于改进欧氏聚类的散乱工件点云分割方法能够准确地分割出感兴趣的工件, 分割时间约为696 ms, 满足了工业机器人抓取的实时性要求。