1. 点云滤波概述

什么是点云滤波？

点云滤波，说白了就是给激光雷达采集的原始数据「洗个澡」。

你想想看，激光雷达扫出来的点云，里面啥都有——有地面、有树木、有行人、有车辆，还有各种莫名其妙的噪声点。这些数据直接拿来用？那肯定不行。滤波就是把这些乱七八糟的东西分类、剔除、整理，只留下我们真正关心的那部分。

我个人习惯把点云滤波比作「筛沙子」。原始点云就像刚从河滩挖上来的沙子，里面有石子、有贝壳、有碎玻璃。我们要做的，就是用不同目数的筛子，一层层过滤，最后得到纯净的细沙。

为什么需要滤波？

这个问题，我刚开始做SLAM时也问过自己。后来踩了不少坑，才真正明白滤波的重要性。

原因其实就三个字：不干净。

激光雷达采集的数据，天生就有各种问题：

• 噪声点：传感器本身的电子噪声、环境反射干扰，会产生一些「幽灵点」
• 离群点：比如飞鸟、飘落的树叶，这些点只出现一帧，对建图毫无帮助
• 冗余数据：地面点占了点云总量的30%-50%，但很多场景下我们并不需要它
• 运动畸变：车辆在运动时扫描，点云会发生拉伸或压缩

我在项目中遇到过最典型的一个案例：某次做园区自动驾驶测试，车辆明明停在原地，但建出来的地图却在缓慢漂移。排查了两天，最后发现是雷达安装支架的微小振动，导致每帧点云都带了几厘米的随机抖动。滤波没做好，整个系统就崩了。

滤波在SLAM中的应用场景

SLAM（同步定位与建图）对点云质量的要求，其实比很多人想象的要高得多。

你想想看，SLAM的核心是「我在哪」和「周围长啥样」。如果点云里全是噪声，那定位肯定不准，地图肯定变形。

具体来说，滤波在SLAM中主要干这几件事：

1. 去除动态物体：比如行人、车辆，这些物体在连续帧中位置会变，如果不滤掉，地图上就会出现「鬼影」
2. 降采样：一帧64线雷达的点云可能有几十万个点，直接做配准计算量太大。滤波可以均匀采样，保留特征的同时降低计算压力
3. 地面剔除：地面点对定位贡献不大，反而会干扰特征匹配。很多SLAM系统第一步就是滤掉地面
4. 噪声抑制：尤其是雨雪天气，点云里全是飘落的雪花点，不滤波的话SLAM基本没法用

SLAM阶段	常用滤波方法	作用
前端配准	体素滤波、随机采样	降低点云密度，加速匹配
后端优化	统计滤波、半径滤波	剔除离群点，保证优化稳定性
回环检测	直通滤波、条件滤波	提取感兴趣区域，减少误匹配
建图	体素滤波、移动最小二乘	平滑地图，去除重叠点

滤波在自动驾驶中的应用场景

自动驾驶对点云滤波的要求，比SLAM更苛刻。为什么？因为自动驾驶是「实时决策」，延迟一秒钟可能就出事故。

我记得有一次做高速道路测试，车辆前方突然出现一个锥桶。感知模块花了300ms才识别出来，因为点云滤波的参数设得太保守，锥桶上的点被当成噪声滤掉了。嗯，从那以后我对滤波参数的调优就格外小心。

自动驾驶中滤波的主要应用：

• 障碍物检测：滤掉地面和背景噪声，只保留障碍物点云，减少计算量
• 车道线识别：通过高度滤波提取路面点，再进一步分析车道线
• 可通行区域分析：剔除动态物体，提取静态环境点云，判断哪些区域可以行驶
• 多传感器融合：不同传感器的点云密度、精度不同，滤波可以统一数据格式

本章知识体系

下面这张图，是我自己总结的点云滤波知识框架。你可以把它当作整个课程的地图：

这张图把点云滤波的核心脉络理清楚了。从顶层目标到底层方法，再到具体应用，每一层都有对应的技术栈。后面的章节，我们会沿着这个框架，一个一个方法深入讲解。