论文名称：A Slope-robust Cascaded Ground Segmentation in 3D Point Cloud for Autonomous Vehicles
主要内容： 本文提出了一种从3D点云中将地面点和非地面点分开的方法，并且对于斜坡型地面点有很高的识别率。
方法主要分为两个步骤，受限利用激光雷达的物理特征（高度、角度）计算环间距，根据点实际间距与计算间距的比较初步去除部分非地面点。
然后利用多区域RANSAC平面拟合方法进一步将地面点和非地面点区分开。
解决的问题： 很多地面点云分割算法对水平地面的分割效果很好，但是对于倾斜地面点的分割效果很差。
本文正是解决了这一问题。
方法 一、 Inter-ring distance-based filter 简单来说，激光雷达产生的环间距和三个因素有关：1 激光雷达高度 2 镭射角度 3 物体倾斜角度
物体的斜率越大，环间距越小，正是利用这一点，和激光雷达的水平环间距阈值做对比，初步去除非地面点。 这里注意阈值的计算使用了一个倾斜角为β的斜面，而不是完全水平的平面。
二、 Multi-region RANSAC plane fifitting 将车辆的的前后左右划分四个区域，再将四个区域划分n份，分别对四个区域应用RANSAC平面拟合算法。 这里由于远近的点密度不一样，不是等分为n分，而是利用下述公式划分。 拟合算法本质是将点和假设平面的间距与阈值比较，大于阈值的点划分为非地面点。
结论： 第一个图可以看出和其他的方法相比，本文还是很准确的区分出来倾斜地面。 第二个图展示了所有点划分的正确率，九个场景下本方法正确率维持在95%左右。
应用
点云数据预处理，除去地面点，消除地面点对后续任务的干扰。
问题 方法第一部分阈值依赖斜坡地面角度β的选取，而且阈值H不知道是怎么来的。。针对本文提出的9个场景下虽然效果较好，但是扩展性较差，放到其他场景估计就不太行了。
