4. 障碍物感知与数据预处理：激光雷达点云滤波与聚类
大家好，我是你们的讲师。今天我们来聊聊避障算法里最“接地气”的一环——激光雷达点云处理。
说实话，很多新手一上来就调避障参数，结果发现机器人要么撞墙，要么原地转圈。为什么？因为感知层的数据就没处理好。你想想看，原始点云里全是噪声和冗余，直接拿去用，算法不崩才怪。
我个人习惯把这一章分成四个步骤：滤波 → 聚类 → 包围盒 → 输出。每一步都有坑，咱们一个一个来填。
4.1 直通滤波：先砍掉没用的区域
直通滤波，说白了就是“切一刀”。
激光雷达扫一圈，能扫到几十米外的树、楼、甚至天上的鸟。但我们的机器人只关心前方3~5米内的障碍物。那远处的点云就是干扰。
我建议你这样做：
- X轴方向：只保留 -2m 到 +2m（左右范围）
- Y轴方向：只保留 0.3m 到 5m（前方范围）
- Z轴方向：只保留 -0.5m 到 1.5m（高度范围，过滤地面和头顶）
重要经验：我在项目中遇到过，Z轴下限设成0会导致地面点云被保留，聚类时地面和障碍物糊在一起。后来我改成 -0.3m 到 1.5m，效果立竿见影。
// C++ 示例：PCL 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(-0.3, 1.5); // 砍掉地面和头顶
pass.filter(*cloud_filtered);4.2 体素滤波：给点云“减肥”
原始点云有多密？16线激光雷达一帧能产生3万个点，32线直接翻倍。这么多点，CPU算不过来。
体素滤波就是“降采样”。它把空间切成一个个小立方体（体素），每个立方体里只保留一个重心点。
嗯，这里要注意：体素大小不能乱设。
- 设太大（比如0.2m）：障碍物细节丢失，小物体直接消失
- 设太小（比如0.01m）：降采样效果不明显，计算量还是大
| 体素大小 | 点云数量（约） | 适用场景 |
|---|---|---|
| 0.05 m | 8000 ~ 12000 | 高精度避障（室内） |
| 0.10 m | 3000 ~ 5000 | 一般导航（推荐） |
| 0.20 m | 1000 ~ 2000 | 快速原型验证 |
我的习惯：先设0.1m跑一遍，看聚类效果。如果障碍物边缘模糊，再调小到0.08m。如果机器人反应迟钝，就调大到0.12m。说白了，这是个“精度 vs 速度”的平衡。
// C++ 示例：PCL 体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_filtered);
voxel.setLeafSize(0.1f, 0.1f, 0.1f); // 10cm 体素
voxel.filter(*cloud_voxel);4.3 DBSCAN 聚类：把点云变成“障碍物”
滤波之后，我们得到了一堆稀疏的点。但这些点属于哪个障碍物？不知道。所以需要聚类。
DBSCAN 是我最常用的聚类算法。它不需要预先指定聚类数量，而且能处理任意形状的障碍物——这点比 K-means 强太多。
DBSCAN 有两个关键参数：
- Eps（邻域半径）：两个点距离小于这个值，就算“邻居”
- MinPts（最小点数）：一个区域至少要有多少个点，才算一个簇
我曾经踩过的坑：有一次在室外测试，Eps设了0.3m，结果一棵树被分成了5个簇，机器人绕着树转圈。后来我改成0.5m，树被正确识别为一个整体。但Eps太大又会把相邻障碍物合并——所以这个参数需要根据传感器安装高度和场景反复调。
// C++ 示例：PCL DBSCAN 聚类
pcl::EuclideanClusterExtraction ec;
ec.setClusterTolerance(0.5); // Eps = 0.5m
ec.setMinClusterSize(10); // MinPts = 10
ec.setMaxClusterSize(25000);
ec.setInputCloud(cloud_voxel);
ec.extract(cluster_indices);你想想看，如果 MinPts 设成 5，那远处几个稀疏的噪声点也会被当成障碍物。我一般设 10~20，既能过滤噪声，又不会漏掉小障碍物。
4.4 障碍物包围盒生成
聚类完成后，每个障碍物是一堆点。但避障算法需要的是“这个障碍物有多大、在什么位置”。所以我们要生成包围盒。
常用的有两种：
- AABB（轴对齐包围盒）：计算简单，但不旋转，适合静态障碍物
- OBB（有向包围盒）：会跟着障碍物旋转，更精确，但计算量大一点
我个人习惯：动态障碍物用 OBB，静态障碍物用 AABB。因为动态障碍物（比如行人）会转身，OBB 能更好地描述它的实际轮廓。
// C++ 示例：生成 AABB 包围盒
pcl::PointXYZ min_pt, max_pt;
pcl::getMinMax3D(*cluster_cloud, min_pt, max_pt);
// 输出障碍物信息
std::cout << "障碍物中心: ("
<< (min_pt.x + max_pt.x)/2 << ", "
<< (min_pt.y + max_pt.y)/2 << ")"
<< " 尺寸: "
<< max_pt.x - min_pt.x << " x "
<< max_pt.y - min_pt.y << std::endl;关键提醒：包围盒的尺寸一定要加上机器人自身的“膨胀半径”。比如机器人宽0.6m，那障碍物的包围盒每边至少膨胀0.3m。否则机器人会“擦肩而过”，然后撞上。
4.5 本章小结
好了，这一章的内容就这些。总结一下核心要点：
- 直通滤波：砍掉无用区域，减少计算量
- 体素滤波：降采样，平衡精度和速度
- DBSCAN 聚类：把点云变成有意义的障碍物
- 包围盒生成：输出障碍物的位置和尺寸
说实话，这一章的内容看起来简单，但我在实际项目中反复调参的次数最多。尤其是 Eps 和体素大小，不同场景（室内/室外、白天/夜晚）差异很大。我的建议是：先跑通流程，再优化参数。不要一开始就追求完美，否则你会被参数调疯的。
下一章我们会讲怎么把这些障碍物信息传给避障算法。但今天先把感知层练熟，这是所有避障的基础。