4. 激光雷达基础与点云处理

各位同学，欢迎来到第四章。这一章我们聊聊激光雷达和点云处理。说实话，激光雷达在自动驾驶里是个“硬骨头”——数据量大、处理复杂，但又是感知系统里不可或缺的一环。我个人习惯把激光雷达比作“眼睛里的尺子”，它不关心颜色，只关心距离和形状。

4.1 激光雷达工作原理

激光雷达，英文叫LiDAR，全称是Light Detection And Ranging。说白了，就是通过发射激光束，测量目标距离。原理其实不复杂：发射一束激光，打到物体上反射回来，接收器捕捉到回波，根据时间差算出距离。

公式很简单：距离 = 光速 × 飞行时间 / 2。为什么除以2？因为激光走了个来回嘛。

我在项目中遇到过一个问题：雨天激光雷达的噪声特别大。为什么？因为雨滴也会反射激光，产生大量“假点”。嗯，这里要注意，激光雷达对天气敏感，这是它的天然短板。

4.2 点云数据结构

点云，就是一堆三维点的集合。每个点通常包含：

• xyz坐标：点在空间中的位置
• 强度值（intensity）：反射回来的激光强度，可以用来区分不同材质
• 时间戳：记录点被采集的时刻
• 线束号：对于多线激光雷达，每个点属于哪条扫描线

你想想看，一帧64线激光雷达的数据，大约有12万个点。如果每个点存6个字段（x,y,z,intensity,time,ring），那就是72万个浮点数。处理起来，内存和CPU都是压力。

点云数据的存储格式，常见的有：

我个人习惯在开发阶段用PCD格式，方便调试和可视化。但部署到实车上，一定转成BIN格式，省空间、速度快。

4.3 PCL基础

PCL，全称Point Cloud Library，是点云处理的事实标准。它提供了从滤波、分割到配准、识别的一整套工具。

安装PCL很简单，Ubuntu下一条命令：

sudo apt install libpcl-dev pcl-tools

写一个最简单的点云读取程序：

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

int main() {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
    
    if (pcl::io::loadPCDFile<pcl::PointXYZ>("data.pcd", *cloud) == -1) {
        PCL_ERROR("Couldn't read file.\n");
        return -1;
    }
    
    std::cout << "Loaded " << cloud->points.size() << " points." << std::endl;
    return 0;
}

这段代码我闭着眼睛都能写出来。为什么？因为每个点云项目的第一步都是加载数据，检查数据对不对。我曾经有一次加载完发现点数为0，查了半天才发现文件路径写错了……嗯，这种低级错误，谁还没犯过呢？

4.4 体素滤波

体素滤波，英文叫Voxel Grid Filter。它的作用是什么？说白了，就是降采样。

一帧激光雷达数据可能有十几万个点，但很多点其实是冗余的。比如一面墙，你不需要几万个点来描述它，几百个点就够了。体素滤波的做法是：把空间划分成一个个小立方体（体素），每个体素内只保留一个点（通常是重心点）。

代码实现：

pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素大小10cm
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);

体素大小怎么选？我一般这样设置：

• 近距离（0-30米）：0.05m（5cm），保留细节
• 中距离（30-80米）：0.1m（10cm），平衡精度和效率
• 远距离（80米以上）：0.2m（20cm），反正远处点本来就稀疏

避坑指南：体素滤波会改变点的精确位置。如果你需要做高精度定位，比如激光SLAM，体素大小别超过0.05m，否则定位精度会下降。

4.5 直通滤波

直通滤波，PassThrough Filter。它的逻辑很简单：只保留指定范围内的点。

比如，我们只关心前方50米内的障碍物，那就把x方向范围设为0到50米。再比如，激光雷达安装在车顶，地面以下和车顶以上的点都是噪声，那就用z方向过滤掉。

代码示例：

pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(-1.5, 2.0);  // 保留z在-1.5到2.0米之间的点
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);

我在项目中遇到过一个问题：直通滤波后，点云数量没减少多少。后来发现是坐标系的锅——激光雷达坐标系和车体坐标系没对齐，z轴方向搞反了。所以，做滤波之前，一定要确认坐标系。

4.6 RANSAC地面分割

地面分割，是点云处理里最基础也最重要的任务之一。为什么？因为自动驾驶需要区分“可行驶区域”（地面）和“障碍物”（非地面）。

RANSAC，全称Random Sample Consensus，随机采样一致性。它的核心思想是：从点云中随机选三个点，拟合一个平面，然后统计有多少点在这个平面附近。重复这个过程，找到包含点最多的那个平面，就是地面。

代码实现：

pcl::SACSegmentation<pcl::PointXYZ> seg;
pcl::ModelCoefficients::Ptr coefficients(new pcl::ModelCoefficients);
pcl::PointIndices::Ptr inliers(new pcl::PointIndices);

seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setMaxIterations(100);        // 最大迭代次数
seg.setDistanceThreshold(0.15);   // 距离阈值，单位米
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);

这里有几个关键参数：

• setMaxIterations：迭代次数。次数越多，找到最优平面的概率越大，但耗时也越长。我一般设100-200次。
• setDistanceThreshold：距离阈值。点离拟合平面多远才算“内点”？这个值很关键。设大了，会把低矮障碍物误判为地面；设小了，地面点会被漏掉。我一般设0.1-0.2米。

分割完成后，coefficients里存的是平面方程参数（a,b,c,d），满足ax+by+cz+d=0。inliers里存的是属于地面的点的索引。

提取地面和非地面点：

pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud);
extract.setIndices(inliers);
extract.setNegative(false);  // 提取地面
pcl::PointCloud<pcl::PointXYZ>::Ptr ground(new pcl::PointCloud<pcl::PointXYZ>);
extract.filter(*ground);

extract.setNegative(true);   // 提取非地面（障碍物）
pcl::PointCloud<pcl::PointXYZ>::Ptr obstacles(new pcl::PointCloud<pcl::PointXYZ>);
extract.filter(*obstacles);

我曾经在高速场景下用RANSAC分割地面，发现效果很差。为什么？因为高速路面平坦，但远处的地面点因为激光入射角太大，点云稀疏，RANSAC很难拟合出准确的平面。后来我改用“先降采样，再分割”的策略，效果好了很多。

这张图展示了点云处理的完整流程。从原始点云开始，先做直通滤波去掉无关区域，再做体素滤波降低数据量，最后用RANSAC分割出地面和障碍物。每一步都有它的意义，缺一不可。

好了，这一章的内容就到这里。点云处理是感知融合的基础，打好这个基础，后面做车道线融合、目标检测才会得心应手。