1. 课程导论

1.1 激光雷达到底是怎么“看”世界的？

说实话，我入行那会儿，第一次拆开激光雷达时还挺震撼的。你想想看，一个旋转的“罐头”，里面藏着一排激光发射器，每秒射出几十万甚至上百万个激光脉冲。这些脉冲打到物体上再反射回来，雷达通过计算飞行时间（ToF），就能知道目标有多远。

嗯，这里有个关键点——激光雷达不是“拍照”，它是“测距”。它不关心物体是红色还是蓝色，它只关心“那里有个东西，距离我xx米”。

我个人习惯把激光雷达的工作流程拆成三步：

1. 发射：激光器发出脉冲，经过旋转镜面或MEMS振镜扫描空间。
2. 接收：反射回来的光被探测器捕获，记录时间差。
3. 解算：根据角度编码器和时间差，算出每个点的(x, y, z)坐标。

我在项目中遇到过一种情况——多线激光雷达（比如16线、32线、64线）其实是在同一时刻发射多个激光束，每条线对应一个垂直角度。所以点云天然就是“按线排列”的。这个特性，后面讲滤波时会用到。

1.2 点云数据到底长什么样？

点云说白了就是一堆三维点的集合。每个点通常包含：

• 空间坐标：(x, y, z) —— 这是最基本的
• 反射强度：intensity —— 不同材质反射率不同，比如路标反光强，柏油路反光弱
• 时间戳：timestamp —— 尤其是运动场景下，每个点的时间可能不一样
• 线号/通道号：ring —— 多线雷达特有的属性

你想想看，一帧64线激光雷达的数据，大约有12万到20万个点。如果按10Hz的频率跑，每秒就是120万到200万个点。数据量其实不小。

点云有几个让我又爱又恨的特点：

特点	说明	对滤波的影响
稀疏性	点与点之间有空隙，不像图像像素连续	不能用图像滤波的“邻域连续假设”
无序性	同一帧点云，交换点的顺序，内容不变	滤波算法要对顺序不敏感
密度不均匀	近处点密，远处点稀	固定半径滤波可能近处过密、远处漏检
噪声类型多	有高斯噪声、离群点、运动畸变等	需要多种滤波手段组合

1.3 滤波在SLAM中到底有多重要？

做SLAM的人都知道一句话：“Garbage in, garbage out”。你输入的点云质量不行，后面建图、定位全是白搭。

滤波在SLAM中的作用，我总结为三个层面：

1. 去噪：激光雷达本身有测量噪声，雨雪天气还有“假点”。这些噪声如果不滤掉，匹配算法会跑偏。
2. 降采样：原始点云太密了，直接做配准（比如ICP）计算量巨大。降采样后，既能保持几何特征，又能跑实时。
3. 剔除离群点：有时候雷达会扫到一些“幽灵点”——比如玻璃上的反射、飞鸟、或者多路径效应产生的假点。这些点必须干掉。

我曾经在一个项目中，因为没做地面滤波，结果ICP匹配时把地面点当成了特征点，导致Z轴漂移了十几厘米。嗯，从那以后我再也不敢跳过地面滤波了。

1.4 本章知识体系总览

下面这张图是我自己梳理的，把本章的核心逻辑串起来了。你看完应该能明白，激光雷达、点云、滤波这三者是怎么咬合在一起的。

1.5 写在前面的话

做SLAM这些年，我最大的体会是：滤波不是万能的，但不滤波是万万不能的。很多初学者一上来就调ICP参数、调图优化，结果发现效果不好，回头一看——点云里全是噪点。

我个人习惯在SLAM流程的第一步就做滤波。哪怕只是做一个简单的体素降采样，都能让后续的匹配稳定很多。你想想看，如果输入的数据本身就有问题，后面再怎么优化也是白费力气。

好了，这一章我们先把基础打牢。从下一章开始，我会带你手撕各种滤波算法——从最基础的体素滤波，到统计滤波、半径滤波，再到更高级的基于深度学习的滤波方法。每一章我都会配上代码和实战案例，保证你能直接用到自己的项目里。

可可精品资料库