3. 点云数据表示与预处理
点云数据是LiDAR感知系统的原始输入，其质量与组织方式直接决定后续分割、检测与SLAM算法的性能上限。原始点云往往包含数十万至数百万个三维点，且伴随噪声、离群点、地面点以及非均匀密度分布等问题。本章围绕点云的数据表示（格式与结构）、体素化（Voxelization）、降采样（Downsampling）、去噪（Denoising）与地面去除（Ground Removal）五大核心操作展开，建立一套从原始数据到可用特征的标准化预处理流水线。
上图展示了点云预处理的完整链路：原始点云经过数据表示转换、体素化结构建立、降采样稀疏化、去噪净化、地面去除五个环节后，输出可供下游任务直接使用的干净点云。每个环节都有其特定的算法选择与参数调优策略，下面逐一深入剖析。
3.1 点云数据格式与表示方法
核心原理：LiDAR传感器输出的原始数据通常为距离-角度-强度信息，需转换为三维笛卡尔坐标。常见点云格式包括PCD（Point Cloud Data）、PLY（Polygon File Format）、BIN（二进制裸数据）以及ROS的sensor_msgs/PointCloud2消息格式。不同格式在存储效率、读写速度、属性扩展性上各有取舍。
| 格式 | 特点 | 适用场景 | 典型文件大小（100万点） |
|---|---|---|---|
| PCD | 支持自定义字段，ASCII/二进制混合 | PCL库处理、算法调试 | ~15-30 MB |
| PLY | 支持顶点与面片，可含颜色 | 三维重建、网格生成 | ~20-40 MB |
| BIN | 纯二进制，无头信息，紧凑 | KITTI等自动驾驶数据集 | ~12 MB |
| PointCloud2 | ROS标准消息，支持动态字段 | 机器人系统集成 | 内存映射 |
判断方法：选择格式时需考虑三个维度：存储效率（BIN最优）、字段扩展性（PCD/PLY支持自定义属性如法向量、颜色、时间戳）、生态兼容性（ROS环境优先PointCloud2）。实际工程中，KITTI数据集采用BIN格式存储，每帧包含约12万个点，字段为XYZI（三维坐标+反射强度），读取时需按float32数组解析。
实战场景：在自动驾驶感知模块中，原始64线LiDAR每帧产生约130万点。若直接存储为ASCII格式的PCD，文件大小可达80MB，严重影响实时性。工程上通常采用BIN格式存储原始数据，预处理后转换为PCD进行算法验证，最终在部署阶段使用PointCloud2消息进行进程间通信。
常见误区：初学者常忽略点云数据的坐标系定义。LiDAR坐标系通常为右前上（RFU）或前左上（FLU），不同传感器厂商定义不同。若未统一坐标系，后续的SLAM位姿估计和地面去除将产生系统性偏差。建议在数据加载阶段即完成坐标系标准化，并记录传感器安装外参。
3.2 体素化：从无序点到规则网格
核心原理：体素化是将连续的三维空间划分为固定尺寸的立方体网格（Voxel），每个体素内包含若干点。体素化并非简单的降采样，而是建立空间索引结构，为后续的邻域搜索、特征计算和分割算法提供规则化支持。体素尺寸的选择直接影响分辨率与计算开销的平衡。
操作流程：
- 确定体素边长
leaf_size（通常为0.05m-0.2m，取决于场景尺度与LiDAR线数） - 计算每个点所属体素索引：
idx = floor(coord / leaf_size) - 对同一体素内的点进行聚合：可保留重心点、第一个点或所有点
- 输出体素中心点或保留点集，同时记录体素索引用于快速邻域查询
// PCL体素化降采样示例
pcl::VoxelGrid<pcl::PointXYZI> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 10cm体素
voxel_filter.filter(*cloud_filtered);案例拆解：在园区无人配送车的感知系统中，原始32线LiDAR点云约30万点/帧。采用0.2m体素降采样后，点数降至约8万点，处理耗时从45ms降至12ms，而下游的障碍物检测精度仅下降1.2%。体素化同时消除了近处点密集、远处点稀疏的非均匀性问题，使后续特征提取更加稳定。
风险提示：体素尺寸过大会导致细小物体（如电线、行人手臂）被滤除；过小则无法有效降低计算量。建议根据LiDAR线数动态调整：16线LiDAR建议0.2-0.3m，64线建议0.1-0.15m。同时注意体素化会引入轻微的位置偏移（重心代替原始点），对高精度SLAM可能产生厘米级误差。
3.3 降采样策略对比与选择
核心原理：降采样旨在减少点云规模的同时保留关键几何特征。除体素降采样外，常用方法包括均匀采样（每N个点取1个）、随机采样、曲率自适应采样（保留高曲率区域更多点）。不同方法对后续处理的影响差异显著。
| 方法 | 保留特征 | 计算复杂度 | 适用场景 |
|---|---|---|---|
| 体素降采样 | 均匀密度，保留整体形状 | O(N) | 通用预处理、SLAM前端 |
| 随机采样 | 无偏但可能丢失细节 | O(N) | 快速测试、可视化 |
| 曲率自适应 | 保留边缘与角点 | O(N log N) | 特征匹配、配准 |
| 法向量空间采样 | 保留表面变化剧烈区域 | O(N) | 分割前预处理 |
判断方法：若下游任务是SLAM里程计，推荐体素降采样（0.1-0.2m），保证帧间一致性；若任务是目标检测，可采用随机采样配合强度阈值过滤；若任务是精细三维重建，必须使用曲率自适应采样以保留物体棱边。
经验总结：在实际工程中，建议采用级联降采样策略：先粗体素（0.3m）快速减少点数，再细体素（0.1m）保留关键细节。这种两阶段方法比单次细体素降采样快3-5倍，且精度损失可忽略。
3.4 点云去噪：统计滤波与半径滤波
核心原理：LiDAR点云噪声主要来源于传感器电子噪声、多路径反射、雨雾散射和运动畸变。去噪的目标是剔除离群点（Outlier）和飞点（Flying Point），同时保留真实物体表面点。最常用的两种方法为统计滤波（Statistical Outlier Removal, SOR）和半径滤波（Radius Outlier Removal, ROR）。
操作流程：
- 统计滤波：计算每个点到其K个近邻的平均距离，若该距离超过全局均值+标准差×倍数（通常为1.0-2.0），则判定为离群点剔除。适用于去除稀疏离群点。
- 半径滤波：统计每个点在指定半径（如0.5m）内的邻点数量，若少于阈值（如5个），则剔除。适用于去除孤立飞点。
// 统计滤波参数设置
pcl::StatisticalOutlierRemoval<pcl::PointXYZI> sor;
sor.setInputCloud(cloud);
sor.setMeanK(20); // 近邻点数
sor.setStddevMulThresh(1.5); // 标准差倍数
sor.filter(*cloud_filtered);案例拆解：在雨天场景下，某测试车辆采集的点云中约8%的点为雨滴反射噪声。单独使用统计滤波（K=30, 阈值=1.0）可去除60%的噪声点，但误删了2%的远距离真实点。改用半径滤波（半径=0.3m, 最少点数=3）后，噪声去除率提升至85%，误删率降至0.5%。实际工程中建议两种方法串联使用：先统计滤波去除大范围离群点，再半径滤波清理局部飞点。
风险说明：去噪参数过强会削弱点云边缘细节，导致后续分割时物体边界收缩。建议在去噪后可视化对比处理前后的点云密度分布，确保目标物体（如行人、车辆）的轮廓完整性。对于SLAM系统，过度去噪可能造成特征点不足，建议在SLAM前端使用较温和的参数（K=10, 阈值=2.0）。
3.5 地面去除：RANSAC平面拟合与改进方法
核心原理：地面点通常占点云总量的30%-50%，去除地面可显著减少后续分割与检测的计算量。最经典的方法是RANSAC（随机采样一致性）平面拟合，假设地面为无限平面模型。但实际场景中地面可能存在坡度、颠簸，且LiDAR低线束扫描的地面点呈环状分布，简单平面拟合会产生较大误差。
操作流程：
- 设定平面模型
ax + by + cz + d = 0，随机选取3个点计算平面参数 - 计算所有点到该平面的距离，距离小于阈值（如0.2m）的点视为内点
- 迭代N次（通常50-100次），选择内点最多的平面作为地面
- 将内点从点云中移除，剩余点即为非地面点
改进方法：针对非平坦地面，可采用区域地面分割：将点云按方位角划分为多个扇形区域，每个区域独立拟合地面平面；或采用高度阈值法：先通过RANSAC估计大致地面高度，再结合Z轴直方图确定精确地面点。
| 方法 | 精度 | 计算耗时 | 适用地形 |
|---|---|---|---|
| 全局RANSAC | 中等 | 低（~10ms） | 平坦道路 |
| 区域RANSAC | 高 | 中（~25ms） | 坡道、颠簸路面 |
| 射线坡度法 | 高 | 低（~8ms） | 越野地形 |
| 深度图法 | 极高 | 高（~50ms） | 结构化道路 |
实战场景：在高速公路场景中，采用全局RANSAC（距离阈值0.15m）即可有效去除路面点。但在园区减速带和坡道场景，全局RANSAC会将坡顶的车辆底部误判为地面。改用区域RANSAC（每15°一个扇形，共24个区域）后，误判率从12%降至1.8%，且处理耗时仅增加15ms，满足20Hz实时性要求。
调优建议：地面去除后应检查剩余点云中是否包含路沿、低矮障碍物（如锥桶）。若这些物体被误删，可降低距离阈值或引入强度信息——地面点通常反射强度较低，可结合强度阈值辅助判断。对于多线LiDAR，还可利用线束编号：地面通常由底部若干线束扫描得到，可先按线束分层再拟合地面。
常见误区总结：预处理环节的每个操作都需与下游算法协同设计。体素化尺寸影响SLAM特征提取的稳定性；去噪强度影响分割的边界精度；地面去除的残留点会干扰障碍物聚类。建议建立预处理参数与下游任务性能的映射关系表，通过离线数据集进行参数扫描，找到最优组合。同时注意，不同场景（城市、高速、园区）应使用不同的参数配置，可通过场景识别模块自动切换预处理参数。