第4章：环境感知与特征提取
大家好，我是你们的讲师。今天我们来聊聊SLAM系统里最基础也最关键的一环——环境感知与特征提取。说白了，就是让机器人“看懂”周围的世界。
你想想看，机器人拿到的原始数据，不管是激光雷达的点云，还是相机的图像，都像是一堆没加工的原材料。我们要做的，就是从这些原材料里提炼出“精华”——也就是那些稳定、可重复、有区分度的特征。没有这一步，后面的建图和定位都无从谈起。
4.1 点云滤波与降采样
先说说激光雷达的数据。我刚开始做SLAM那会儿，拿到一帧64线激光雷达的数据，好家伙，几十万个点。直接拿去算？算力根本扛不住。而且原始点云里还有不少噪声，比如飘在空中的灰尘、传感器自身的测量误差。
所以，第一步就是滤波和降采样。我的个人习惯是，先做滤波，再做降采样。顺序别搞反了。
4.1.1 常用滤波方法
- 体素滤波（Voxel Filter）：这是最常用的降采样方法。把空间划分成一个个小立方体（体素），每个体素里只保留一个重心点。体素大小决定了降采样的程度。我一般设0.1m到0.2m，具体看场景。
- 统计滤波（Statistical Outlier Removal）：用来去除离群点。计算每个点与邻近k个点的平均距离，如果距离超过阈值，就认为是噪声。我在室内场景里，k取20，阈值倍数设1.0，效果不错。
- 半径滤波（Radius Outlier Removal）：设定一个半径，如果某个点周围邻居数量少于阈值，就干掉它。适合去除孤立的噪点。
核心经验：体素滤波的体素大小，直接影响后续特征提取的质量。太小了，点太多算不动；太大了，细节全丢了。我建议你先用0.2m试跑一遍，看看效果再调。
// PCL中的体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud_in);
voxel_filter.setLeafSize(0.2f, 0.2f, 0.2f); // 体素边长0.2米
voxel_filter.filter(*cloud_out);4.2 平面与边缘特征提取
滤波之后，点云干净多了。接下来要提取特征。在激光SLAM里，最经典的特征就是平面和边缘。
为什么会是这两个？因为结构化环境里，墙面是平面，墙角、柱子边缘是边缘。这些特征稳定、容易匹配。我在做仓储机器人项目时，就是靠提取货架边缘和地面平面来做定位的。
4.2.1 平面特征提取
常用的方法是RANSAC（随机采样一致性）。它的思路很简单：随机选三个点构成一个平面，然后看有多少点在这个平面附近。如果支持的点够多，就认为找到了一个平面。
嗯，这里要注意：RANSAC对参数敏感。距离阈值设太大，会把弯曲墙面也当成平面；设太小，平面又不够完整。我一般设0.05m到0.1m。
// PCL中RANSAC提取平面
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.05); // 5cm阈值
seg.setInputCloud(cloud_filtered);
seg.segment(*inliers, *coefficients);4.2.2 边缘特征提取
边缘特征，我习惯用曲率来提取。计算每个点与其邻域点构成的协方差矩阵，特征值之间的关系能反映曲率大小。曲率大的点，大概率是边缘点。
LOAM算法里就是这么干的。它把点云按曲率排序，曲率最大的那些点作为边缘特征，曲率最小的作为平面特征。这个方法简单有效，我在实际项目中一直在用。
避坑指南：我曾经在室外场景里吃过亏——草地上的点云曲率也很大，被误识别成边缘。后来我加了高度阈值，只提取地面以上0.3m到2.0m范围内的点，问题就解决了。
4.3 视觉特征提取（ORB / SIFT）
说完激光，再聊聊视觉。视觉SLAM里，特征点提取是核心中的核心。ORB和SIFT是两大代表。
4.3.1 ORB特征
ORB（Oriented FAST and Rotated BRIEF）是我个人最常用的。为什么？因为它快！在嵌入式设备上也能跑实时。它结合了FAST角点检测和BRIEF描述子，还加了旋转不变性。
说白了，ORB就是“又快又够用”。在室内场景、纹理丰富的环境下，ORB的表现非常稳定。我做过对比，同样一张图，ORB提取1000个点只要10ms，SIFT要100ms以上。
// OpenCV中ORB特征提取
cv::Ptr<cv::ORB> orb = cv::ORB::create(500); // 提取500个特征点
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;
orb->detectAndCompute(image, cv::Mat(), keypoints, descriptors);4.3.2 SIFT特征
SIFT（Scale-Invariant Feature Transform）是经典中的经典。它的优势是尺度不变性和旋转不变性都很好，适合大尺度变化的场景。比如无人机从高空飞到低空，SIFT依然能匹配上。
但代价就是慢。而且SIFT是有专利的，商用要注意。我一般在学术研究或者对精度要求极高的场景才用SIFT。
我的选择建议：
- 嵌入式设备、实时性要求高 → ORB
- 大尺度变化、精度优先 → SIFT
- 纹理稀疏场景 → 考虑用线特征或直接法
4.4 本章知识体系
为了让大家更直观地理解本章的知识结构，我画了一张图。你可以看到，环境感知分为激光和视觉两条线，最终都汇聚到特征提取这个核心任务上。
4.5 实践中的坑与经验
最后，分享几个我在项目中踩过的坑，希望能帮你少走弯路。
坑1：点云滤波参数不是通用的。 室内0.1m体素效果很好，到了室外空旷场景，0.2m都不够。我建议你写个参数配置文件，不同场景加载不同参数。
坑2：视觉特征提取要关注光照变化。 有一次我在傍晚测试，光线变暗后ORB提取的特征点数量直接掉了一半。后来我加了自适应阈值，才稳定下来。
小技巧： 如果你做的是激光+视觉融合，建议让激光提取平面特征，视觉提取角点特征。两者互补，效果比单一传感器好很多。
好了，这一章的内容就到这里。环境感知和特征提取是SLAM的基石，基础打牢了，后面的建图和路径规划才能稳。希望你能动手把代码跑一遍，亲自感受一下不同参数带来的变化。
可可精品资料库