1 静态障碍提取：障碍识别的方式通常有基于机器视觉的障碍识别，基于机器学习的障碍识别和基于 3D 点云的障碍识别。基于机器视觉的障碍识别是通过像素值的不同来提取特征值，然后进行特征提取，以达到识别的目的。但是，由于提取的只是二维特征，没有深度信息，会造成错误识别，基于机器视觉的识别发生了错误识别。
基于机器学习的障碍识别通常与机器视觉或基于 3D 点云的障碍识别相结合，虽然在识别速度上更为迅速，准确度更高，但是在与机器视觉相结合的机器学习障碍识别时，也会发生误识别现象，此外，基于机器学习的障碍识别需要大量的样本进行训练模型，且通常只能识别训练过的模型，局限性较大。基于 3D 点云的障碍识别，3D 点云可由立体相机，深度相机和三维激光雷达产生，立体相机和深度相机的点云较稠密，特征较多，但需要消耗较大计算资源，且识别范围有限，深度相机由于使用的红外测距易受太阳光照影响，不宜在室外使用，由机械式激光雷达产生的 3D 点云识别距离远，但是点云较稀疏，特征不丰富，障碍提取困难，velodyne 公司生产的最新一代机械式三维激光雷达Alpha Prime 拥有 128 个通道，探测范围达 245 米，测量误差为±3cm，将有望解决机械式激光雷达单帧点云稀疏的问题。
随机采样一致性算法： 在回归分析中，常用最小二乘法进行线性拟合，但是随着噪声增大，最小二乘法将不再能准确求解出未知参数。路面的点云数据通常含有大量离群的异常值，此时需要使用随机采样一致性（Random Sample Consensus）算法对平面进行拟合，然后将拟合的平面去除。随机采样一致性算法由 Fischler 和 Bolles 于 1981年在 SRI International 上首次发布，在拟合的过程中，可以将离群点进行排除后进行拟合，虽然存在大量离群点，但是离群点没有对直线的拟合产生影响。
随机采样一致性算法主要由两个重复迭代的部分组成：第一步，从输入的数据集中随机选择包含最少数据项的样本子集，仅使用该样本子集的元素来计算拟合模型和相应的模型参数，样本子集的元素要保证可确定模型和相应的模型参数的最小个数。第二步，算法检查整个数据集的哪些元素与从第一步获得的估计模型参数实例化的模型一致。由噪声产生的影响可由一些在一定误差阈值范围内的模型参数来定义一个实例化的拟合模型，如果数据集的元素不符合这个拟合模型，则将其视为异常值。符合拟合模型的点被归为一致性点集，随机采样一致性算法将重复迭代上述两个步骤，直至获得足够的符合拟合模型的点。随机采样一致性算法的优点是它对模型参数的估计鲁棒性较好，即使数据集中存在大量异常值，它也可以以高精度来估计参数，但是需要根据特定情况调整迭代次数和设置阈值，一旦迭代次数和阈值设置不合理，就会引起拟合不正确，所以合适的参数设置非常重要。将经过滤波处理后的点云数据使用随机采样一致性算法进行平面分割去除。 通过拟合计算的值，从而得到平面模型，将离群点云进行剔除，得到分割出的点云平面参数。 拟合平面参数设置合适的阈值，将平面模型阈值范围内的所有点云归类为路面，其 z 坐标将作为路面不平度评价的高程输入。
