激光雷达定位与点云配准工程 - 第2节
2. 点云预处理技术
做激光SLAM这么多年，我踩过最大的坑是什么？
不是算法选型，不是参数调优，而是——点云预处理没做好。
你想想看，原始点云数据就像一块刚从矿里挖出来的石头，杂质多、密度不均、还有运动畸变。直接拿去做配准，结果可想而知。我早期有个项目，定位精度死活提不上去，折腾了两周，最后发现是运动畸变没处理干净。嗯，从那以后，我再也不敢轻视预处理这步了。
核心观点：点云预处理的质量，直接决定了后续配准和定位的上限。预处理做得好，算法事半功倍；预处理糊弄过去，后面全是坑。
2.1 点云滤波：先给数据洗个澡
2.1.1 体素滤波（Voxel Filter）
体素滤波说白了就是用一个小立方体去框点云。每个立方体里只保留一个点，其他点都扔掉。这样点云就变得稀疏了，但整体形状还在。
我个人习惯把体素大小设成 0.1m 到 0.5m 之间。太小了降采样效果不明显，太大了形状会失真。我在做园区无人车项目时，试过把体素设成 1m，结果点云直接变成了一坨一坨的方块，配准根本没法做。
// PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.2f, 0.2f, 0.2f); // 体素边长 0.2m
voxel_filter.filter(*cloud_filtered);我的经验：体素大小不要固定死。室内场景用 0.1m，室外开阔场景用 0.3m 左右。如果你用的是 16 线激光雷达，建议从 0.2m 开始试。
2.1.2 直通滤波（PassThrough Filter）
直通滤波就是切掉不需要的部分。比如你只关心前方 30 米内的障碍物，那就把 30 米以外的点全扔掉。
我一般会在 x、y、z 三个方向上都做一次直通滤波。特别是 z 轴，地面点和天花板点经常是噪声来源。记得有一次，我在室内做定位，点云里全是天花板上的管道，配准时老是收敛到错误位置。后来加了 z 轴直通滤波，问题就解决了。
// PCL 直通滤波示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(-1.0, 2.0); // 保留 z 在 -1m 到 2m 之间的点
pass.filter(*cloud_filtered);注意：直通滤波的阈值要根据传感器安装位置来定。激光雷达装在车顶和装在车头，z 轴范围完全不同。别照搬别人的参数。
2.1.3 统计滤波（Statistical Outlier Removal）
统计滤波是用来剔除稀疏的离群点的。它的原理很简单：计算每个点周围 k 个邻居的平均距离，如果这个距离太大，就认为它是离群点。
我常用的参数是 k=50，标准差倍数设为 1.0。太严格会把正常点也删掉，太宽松又起不到效果。嗯，这个需要根据点云密度来调。
// PCL 统计滤波示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 邻居点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);2.2 点云降采样：别让数据撑爆内存
16 线激光雷达一帧大概 3 万个点，64 线能到 10 万以上。直接处理这么多点，计算量太大了。降采样就是在保持形状的前提下减少点数。
常用的降采样方法有三种：
| 方法 | 原理 | 适用场景 | 我常用的参数 |
|---|---|---|---|
| 体素降采样 | 每个体素内取重心 | 通用场景 | 0.1m - 0.3m |
| 均匀降采样 | 每隔 n 个点取一个 | 快速预览 | n=2 或 n=3 |
| 随机降采样 | 随机抽取 | 实时性要求高 | 保留 30% - 50% |
我个人最常用的是体素降采样。它既能控制点数，又能保持点云的几何结构。均匀降采样虽然快，但容易丢失细节。随机降采样嘛，我一般只在调试时用。
2.3 离群点移除：把"飞点"揪出来
激光雷达偶尔会打出一些莫名其妙的点，比如突然出现在空中的一个孤立点。这些点就是离群点，也叫"飞点"。它们对配准的影响很大，必须去掉。
离群点移除有两种主流方法：
- 半径滤波：如果一个点周围指定半径内没有足够多的邻居，就删掉它。我一般设半径 0.5m，最少邻居数 3 个。
- 统计滤波：前面讲过了，基于距离统计来判断。
我曾经在一个雨天的测试中，发现点云里全是雨滴造成的噪声点。统计滤波一上，干净多了。但要注意，雨滴噪声和真实障碍物有时很难区分，参数调不好会把远处的车也删掉。
避坑指南：离群点移除的参数不要设得太激进。我曾经为了追求"干净"的点云，把统计滤波的标准差倍数设成 0.5，结果把墙上的点都删掉了一半，配准时直接崩了。
2.4 运动畸变去除：让点云"停"下来
这是预处理里最容易被忽视、但影响最大的一步。
激光雷达扫描一帧需要时间。比如 16 线雷达，一帧大概 100ms。在这 100ms 里，如果机器人正在运动，那么点云里的每个点其实是在不同位置采集的。直接拿这帧点云去做配准，相当于把不同时刻的坐标强行对齐，结果可想而知。
运动畸变去除的核心思想：把每个点都补偿到同一时刻。通常补偿到这一帧的起始时刻或结束时刻。
常用的方法有三种：
- 纯估计法：用匀速运动模型估计每个点的位姿。简单但精度有限。
- IMU 辅助法：用 IMU 的角速度和线加速度来补偿。精度高，但需要 IMU 数据。
- 轮式里程计法：用轮式里程计的速度来补偿。适合轮式机器人。
我个人最推荐 IMU 辅助法。在 AGV 项目中，我用 IMU 辅助去畸变后，配准精度从 10cm 提升到了 3cm。效果非常明显。
// 运动畸变去除伪代码（IMU辅助法）
for each point in cloud:
// 计算该点相对于帧起始的时间偏移
time_offset = point.timestamp - frame_start_time
// 用IMU数据插值得到该时刻的位姿
pose_at_point = interpolate_pose(imu_data, time_offset)
// 将点补偿到帧起始时刻的坐标系下
point_compensated = pose_at_point.inverse() * point.original重要提醒：运动畸变去除的前提是你知道每个点的时间戳。有些低端激光雷达不提供逐点时间戳，那就只能用帧间匀速模型来近似了。这种情况下，精度会打折扣。
小结
点云预处理不是花哨的技术，但它是整个 SLAM 系统的地基。地基没打好，上面盖的房子再漂亮也会塌。
我给你的建议是：
- 先做直通滤波，去掉明显不需要的区域
- 再做体素降采样，控制点数
- 然后做统计滤波，去掉离群点
- 最后做运动畸变去除，补偿运动带来的误差
这个流程我用了好几年，在多个项目上都验证过。你可以直接拿来用，再根据你的传感器和场景微调参数。