3. 点云预处理

原始点云数据通常由深度相机（如结构光、ToF、双目视觉）或激光雷达获取，其质量直接受传感器噪声、环境光干扰、边缘飞点、运动模糊等因素影响。若将未经处理的点云直接送入配准、分割或抓取位姿估计模块，往往会导致特征提取失败、位姿计算偏差甚至抓取碰撞。因此，点云预处理是机器人视觉抓取系统中承上启下的关键环节。本章围绕去噪、滤波、下采样与上采样四大任务，系统讲解其数学原理、工程实现方法、参数选择策略及典型应用场景，帮助读者建立一套可落地的点云预处理流水线。

点云预处理流水线与方法关系图 原始点云 深度相机/激光雷达 去噪与滤波 统计滤波 / 半径滤波 直通滤波 / 条件滤波 下采样 体素滤波（Voxel） 均匀采样 / 随机采样 上采样 移动最小二乘（MLS） B样条插值 / 边缘细化 下游任务：配准 / 分割 / 位姿估计 / 抓取规划 预处理质量直接影响抓取成功率与鲁棒性 关键参数选择 • 体素尺寸：0.005~0.02m • 统计滤波K近邻：20~50 • 标准差倍数：1.0~2.0 • 半径滤波半径：0.01~0.05m • 邻域点数阈值：5~15 预处理质量评估指标 • 点云密度（点/m²） • 信噪比（SNR） • 表面法向量一致性 • 边缘保持度 • 计算耗时（ms/帧） • 内存占用（MB） • 抓取位姿重复性 • 算法鲁棒性（不同场景）

上图展示了点云预处理在机器人视觉抓取系统中的整体位置与核心方法分类。从原始数据到下游任务，预处理环节通过去噪、滤波、下采样与上采样四个步骤，将非结构化、含噪声的原始点云转化为干净、均匀、特征保留的高质量数据。下面逐一展开各方法的原理与工程实践。

3.1 点云去噪与滤波：核心原理与工程方法

3.1.1 噪声来源与滤波原理

点云噪声主要来源于三类：传感器噪声（深度相机的测量误差、激光雷达的反射干扰）、环境噪声（环境光、多路径反射、镜面反射）、运动噪声（物体或相机运动导致的点云畸变）。噪声在空间中通常表现为孤立点、离群点或局部密度异常区域。滤波的核心思想是利用点云的空间分布统计特性，识别并剔除不符合局部几何一致性的点。

从数学角度看，点云可视为三维空间中的离散采样集合 \( P = \{p_i \in \mathbb{R}^3\} \)。滤波操作定义了一个映射 \( f: P \rightarrow P' \)，其中 \( P' \) 是去噪后的点集。常用的滤波方法包括：

  • 统计滤波（Statistical Outlier Removal, SOR）：对每个点计算其到K个最近邻的平均距离 \( d_i \)，假设 \( d_i \) 服从高斯分布，将距离超过 \( \mu + \alpha \cdot \sigma \) 的点视为离群点剔除。其中 \( \mu \) 为平均距离均值，\( \sigma \) 为标准差，\( \alpha \) 为标准差倍数阈值。
  • 半径滤波（Radius Outlier Removal, ROR）：对每个点，统计其指定半径 \( r \) 内的邻域点数 \( n_i \)，若 \( n_i \) 小于设定阈值 \( N_{min} \)，则判定为离群点并剔除。该方法对稀疏区域和边缘点敏感，适合处理分布不均匀的点云。
  • 直通滤波（PassThrough Filter）：沿指定坐标轴（如Z轴）设定范围 \( [z_{min}, z_{max}] \)，直接裁剪范围外的点。常用于去除背景点云或限定感兴趣区域（ROI）。

3.1.2 滤波参数选择与操作流程

滤波参数的选择直接影响去噪效果与点云保留率。参数过小会导致噪声残留，参数过大会误删有效点。以下为工程实践中的推荐流程：

  1. 数据观察：使用可视化工具（如CloudCompare、PCL Visualizer）观察点云的整体分布，识别噪声类型（孤立点、稀疏离群点、密集噪声块）。
  2. 直通滤波：首先根据相机安装位置和抓取工作空间，设定Z轴范围（如0.3m~1.0m），去除背景和地面点。
  3. 统计滤波：设置K近邻数 \( K=30 \)，标准差倍数 \( \alpha=1.5 \)。若点云密度较高（>1000点/cm³），可适当增大K至50；若噪声较严重，可减小 \( \alpha \) 至1.0。
  4. 半径滤波：设置半径 \( r=0.02m \)，邻域点数阈值 \( N_{min}=8 \)。该步骤可进一步剔除统计滤波未处理的稀疏离群点。
  5. 效果验证：对比滤波前后的点云数量、法向量一致性、边缘清晰度，必要时调整参数迭代优化。
经验提示：在机器人抓取场景中，建议先使用直通滤波快速裁剪ROI，再使用统计滤波处理高斯噪声，最后用半径滤波处理边缘飞点。这种组合策略比单一滤波方法更鲁棒，且计算开销可控。

3.1.3 案例拆解：工业零件抓取中的去噪实战

某汽车零部件装配线使用结构光相机（分辨率1280×1024）对金属支架进行定位抓取。原始点云包含以下问题：环境光反射导致表面出现密集噪声块（约5%点）、边缘存在飞点（约2%点）、背景传送带产生大量无关点云。初始抓取成功率仅为82%，主要失败原因是位姿估计受噪声干扰。

处理过程：

  • 步骤1：直通滤波设定Z轴范围0.4m~0.8m，去除背景点云，点云数量从120万降至45万。
  • 步骤2：统计滤波设置K=35，\( \alpha=1.8 \)，剔除密集噪声块，点云降至38万。
  • 步骤3：半径滤波设置r=0.015m，N_min=10，去除边缘飞点，最终点云为36.5万。
  • 步骤4：使用PCL库的StatisticalOutlierRemoval和RadiusOutlierRemoval类实现，单帧处理耗时从原始120ms降至85ms（含滤波）。

结果对比：滤波后点云法向量估计误差降低42%，抓取位姿重复性从±3mm提升至±1.2mm，抓取成功率提升至96.5%。代价是丢失了约2%的弱反射表面点，但通过后续上采样方法可部分恢复。

风险提示：滤波参数不可盲目套用。对于高反光金属表面，统计滤波可能误删有效点；对于透明物体，半径滤波可能无法有效去噪。建议针对不同材质建立参数库，并在换产时自动切换。

3.2 下采样：体素滤波与均匀采样

3.2.1 体素滤波原理与实现

体素滤波（Voxel Grid Filter）是点云下采样最常用的方法。其核心思想是将三维空间划分为固定尺寸的立方体网格（体素），每个体素内的所有点用其质心（或重心）替代。数学上，对于体素尺寸 \( v \)，点 \( p_i \) 所属体素的索引为：

voxel_index = floor(p_i / v)  // 对每个坐标轴独立计算

体素滤波的优点是：点云密度均匀化、保持物体整体形状、计算效率高（O(n)复杂度）。但缺点是：体素尺寸过大时会导致细节丢失，边缘特征被平滑；体素尺寸过小时下采样效果不明显。

3.2.2 下采样参数选择与对比

方法 核心参数 适用场景 优点 缺点
体素滤波 体素尺寸 \( v \)（0.005~0.02m） 大场景、高密度点云 密度均匀、形状保持好 细节丢失、边缘模糊
均匀采样 采样间隔 \( d \)（0.01~0.05m） 规则表面、CAD模型 点云分布规则 对噪声敏感
随机采样 目标点数 \( N \) 快速预览、粗配准 实现简单、速度快 可能丢失关键特征
曲率自适应采样 曲率阈值 \( c \) 高精度抓取、复杂曲面 保留高曲率特征 计算复杂度高

在机器人抓取场景中，体素滤波通常设置 \( v=0.01m \)（即1cm），可在保持抓取特征的前提下将点云数量减少60%~80%。对于小型精密零件（尺寸<5cm），建议 \( v=0.005m \)；对于大型箱体（尺寸>50cm），可增大至0.02m。

3.2.3 下采样对抓取性能的影响分析

下采样并非简单的“减少点数”，而是需要在计算效率与特征保留之间取得平衡。过度的下采样会导致：

  • 法向量估计不稳定，影响基于法向的抓取姿态计算；
  • 边缘点丢失，导致抓取点定位偏差；
  • 点云密度不足，使ICP配准算法收敛到局部最优。

工程实践中，建议采用分层下采样策略：先使用较大体素（0.02m）进行粗配准，再使用较小体素（0.01m）进行精配准和位姿细化。这种策略既保证了实时性，又确保了精度。

3.3 上采样：从稀疏到稠密的修复技术

3.3.1 上采样需求与核心方法

上采样（Upsampling）用于增加点云密度，主要应用于以下场景：传感器分辨率不足、滤波后点云过稀疏、需要生成密集表面用于碰撞检测或渲染。常用的上采样方法包括：

  • 移动最小二乘法（Moving Least Squares, MLS）：通过局部多项式拟合来插值新点。对每个点邻域进行高阶多项式拟合，然后在拟合曲面上采样新点。该方法能平滑噪声并生成光滑表面，但计算量较大。
  • B样条插值：使用B样条曲线/曲面拟合点云局部区域，在参数空间均匀采样生成新点。适合规则表面，但对非均匀点云适应性较差。
  • 边缘感知上采样：结合深度图或RGB图像信息，在边缘区域增加采样密度，保留锐利特征。常用于RGB-D相机数据。

3.3.2 MLS上采样操作流程与参数

// PCL中MLS上采样核心代码
pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ> mls;
mls.setInputCloud(cloud_filtered);
mls.setSearchRadius(0.03);      // 搜索半径
mls.setPolynomialOrder(2);       // 多项式阶数
mls.setUpsamplingMethod(pcl::MovingLeastSquares<pcl::PointXYZ, pcl::PointXYZ>::SAMPLE_LOCAL_PLANE);
mls.setUpsamplingRadius(0.005);  // 上采样半径
mls.setUpsamplingStepSize(0.002); // 采样步长
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_smoothed(new pcl::PointCloud<pcl::PointXYZ>());
mls.process(*cloud_smoothed);

参数选择建议：搜索半径设为原始点云平均间距的2~3倍；多项式阶数2阶即可满足大部分抓取场景；上采样步长设为搜索半径的1/5~1/3。MLS上采样后点云数量可增加3~10倍，但计算耗时显著增加（单帧可能超过200ms），需根据实时性要求权衡。

3.3.3 上采样在抓取中的实际应用与风险

在抓取场景中，上采样主要用于修复滤波后的稀疏区域，而非无中生有地生成数据。例如，黑色塑料零件在深度相机下反射率低，原始点云存在空洞，直接抓取可能导致位姿估计失败。通过MLS上采样，可将空洞区域补全，使表面连续。

重要提醒：上采样不能创造真实信息。对于传感器完全未测量到的区域（如遮挡、透明物体），上采样只会生成“看似合理”的虚假点，反而误导抓取规划。务必结合RGB图像或先验模型判断哪些区域可以安全插值。

3.4 预处理流水线整合与常见误区

3.4.1 完整预处理流程设计

一个工业级点云预处理流水线应包含以下阶段，每个阶段都有明确的输入输出和质量检查点：

阶段 输入 操作 输出 质量指标
1. 原始数据获取 深度图/激光扫描 坐标转换、单位统一 原始点云（XYZ） 点数、范围
2. ROI裁剪 原始点云 直通滤波（Z轴/XY范围） ROI点云 背景去除率
3. 去噪 ROI点云 统计滤波 + 半径滤波 干净点云 离群点比例
4. 下采样 干净点云 体素滤波（v=0.01m） 稀疏均匀点云 点数、密度
5. 上采样（可选） 稀疏点云 MLS/插值 稠密点云 表面连续性
6. 输出 处理后的点云 法向量估计、特征提取 下游任务输入 法向一致性

3.4.2 常见误区与调优策略

  • 误区一：滤波参数“一刀切”。不同材质、不同光照条件下最优参数差异巨大。建议建立参数配置文件，按工件类型自动加载。
  • 误区二：过度下采样导致特征丢失。抓取点附近的局部几何细节（如倒角、孔洞）对位姿估计至关重要，下采样时应使用曲率自适应方法或保留局部高密度区域。
  • 误区三：忽视时间戳与运动畸变。对于运动物体，点云存在运动畸变，需先进行畸变校正（如使用IMU数据）再进行滤波。
  • 误区四：上采样后直接用于碰撞检测。MLS生成的表面可能偏离真实物体表面，碰撞检测应使用原始测量点或保守膨胀模型。
总结复盘：点云预处理不是简单的“过滤+降采样”，而是需要根据传感器特性、物体材质、抓取精度要求进行系统性设计。建议采用“先观察、再滤波、后验证”的工程方法论，每次调整参数后都通过抓取成功率或位姿重复性指标进行量化评估。在机器人视觉抓取系统中，预处理环节通常占总计算时间的30%~40%，优化预处理流水线往往比优化后续算法带来更显著的性能提升。
← 上一章 📖 返回目录 下一章 →