4. 点云生成与滤波
各位同学，今天我们来聊聊毫米波雷达点云处理中最基础、也最考验功夫的一环——点云生成与滤波。说实话，我在刚入行那会儿，总觉得点云数据拿到手就能直接用，结果被现实狠狠教育了一顿。你想想看，雷达回波里混杂着地面反射、雨雪噪声、甚至旁边卡车的二次反射，如果不做滤波，定位系统分分钟给你跑偏。
4.1 点云数据结构
先说说点云长什么样。毫米波雷达输出的点云，本质上是一组离散的检测点。每个点通常包含以下信息：
| 字段 | 含义 | 典型范围 |
|---|---|---|
| x, y, z | 三维空间坐标（米） | [-100, 100] |
| range | 径向距离 | [0.5, 250] |
| doppler | 多普勒速度（米/秒） | [-40, 40] |
| azimuth | 水平方位角（度） | [-60, 60] |
| elevation | 俯仰角（度） | [-15, 15] |
| snr | 信噪比（dB） | [0, 40] |
我个人习惯用结构体来组织这些数据。在嵌入式C代码里，我会这样定义：
typedef struct {
float x; // 米
float y;
float z;
float range; // 径向距离
float doppler; // 多普勒速度
float azimuth; // 弧度
float elevation; // 弧度
float snr; // 信噪比
uint32_t timestamp; // 时间戳，微秒
} RadarPoint_t;这里有个细节——时间戳。我在项目中遇到过，如果不同传感器的时间基准没对齐，融合出来的位置能差出半米。所以每个点云帧必须带上精确的时间戳，最好是雷达硬件直接打上的。
4.2 噪声滤除
噪声滤除，说白了就是把那些明显不靠谱的点扔掉。常见的噪声来源有：
- 热噪声：接收机自身产生的随机波动
- 多径反射：信号打在地面或建筑物上反弹回来
- 雨雪杂波：水滴或雪花产生的散射
- 闪烁噪声：目标快速移动导致的相位抖动
我常用的滤波策略是三步走：
- 信噪比门限：SNR低于8dB的点直接丢弃。这个阈值我调过很多次，太低会引入噪声，太高又会丢掉弱目标。
- 距离一致性检查：如果一个点的距离和它相邻帧的距离跳变超过3米，大概率是野点。
- 多普勒一致性：静止目标的doppler应该接近0，如果出现明显非零值，可能是多径干扰。
核心原则：宁可漏检，不要误检。在定位场景中，一个错误点比十个缺失点更致命。
4.3 静态杂波抑制
静态杂波抑制，这是高精地图融合里最关键的预处理步骤。为什么？因为地图里已经包含了静态环境信息，雷达再检测到静止点，那就是冗余甚至干扰。
我曾经在一个隧道场景里吃过亏。隧道墙壁的反射非常强，雷达每帧能生成上百个静态点。如果不做抑制，这些点会严重干扰定位匹配。我的做法是这样的：
// 静态杂波抑制伪代码
void suppress_static_clutter(RadarPoint_t *points, int num_points) {
for (int i = 0; i < num_points; i++) {
// 多普勒速度接近0，且连续3帧位置变化小于0.2米
if (fabs(points[i].doppler) < 0.5f) {
// 检查历史帧
if (is_position_stable(points[i], history_buffer)) {
points[i].valid = false; // 标记为静态杂波
}
}
}
}嗯，这里要注意：不能一刀切地把所有低速点都干掉。比如行人走路的速度也就1-2米/秒，如果门限设得太宽，会把行人当成杂波滤掉。我一般保留0.5米/秒以下的点，但会额外检查它们的空间分布是否与地图中的静态物体匹配。
实战技巧：结合高精地图做静态杂波抑制效果最好。把雷达点投影到地图坐标系，如果落在已知的建筑物、护栏、路沿上，直接标记为静态杂波。这样既干净又不会误伤动态目标。
4.4 聚类算法
聚类，就是把属于同一个物理目标的点归到一起。毫米波雷达的点云稀疏且不规则，常用的聚类方法有：
| 算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| DBSCAN | 不需要预设类别数，能处理任意形状 | 参数敏感，计算量大 | 稀疏点云，目标数量未知 |
| 欧式聚类 | 实现简单，速度快 | 对点云密度敏感 | 近距离，点云较密 |
| 基于网格的聚类 | 计算效率高 | 边界处理粗糙 | 实时性要求高的场景 |
我个人最常用的是DBSCAN。为什么？因为毫米波雷达的点云密度不均匀——近处点很密，远处点很稀疏。DBSCAN的密度连通性正好能处理这种情况。
不过DBSCAN有两个参数需要调：eps（邻域半径）和minPts（最小点数）。我一般这样设初始值：
eps：根据雷达角分辨率来定。比如角分辨率是1°，100米处的点间距大约是1.7米，那eps设2米比较合理。minPts：对于汽车目标，至少需要3-5个点才能构成一个可信的聚类。
避坑指南：我曾经在高速场景中把两个并排行驶的车辆聚成了一个类。原因是它们距离太近，且相对速度一致。后来我加了一个多普勒速度的约束——同一个聚类内的点，多普勒速度差异不能超过2米/秒。这样就把相邻但速度不同的目标分开了。
4.5 知识体系总览
下面这张图概括了本章的核心逻辑。从原始回波到可用的目标点云，每一步都在做减法——去掉噪声、去掉静态杂波、把散点聚成有意义的目标。
你看，整个流程就像筛沙子——先把大石头（噪声）扔掉，再把小石子（静态杂波）过滤掉，最后把沙子聚成一堆一堆（聚类）。每一步都有它的道理，也都有它的坑。
好了，关于点云生成与滤波，我就讲这么多。记住一点：在嵌入式平台上跑这些算法，一定要考虑计算资源和实时性。我见过有人把DBSCAN的复杂度优化到O(n log n)，但代价是聚类精度下降。怎么平衡？嗯，这就是工程的艺术了。
可可精品资料库