激光雷达原理与点云处理：建图的数据基石
说实话，很多新手一上来就调 SLAM 参数，结果地图建得乱七八糟。为什么？因为连传感器怎么工作的都没搞明白。激光雷达就是 SLAM 的眼睛，你连眼睛的脾气都不了解，怎么可能建出好地图？
这一章，我们就来聊聊激光雷达的工作原理，以及怎么处理它吐出来的原始点云数据。嗯，这部分做好了，后面的建图才能顺风顺水。
激光雷达工作原理：它到底是怎么「看」世界的？
激光雷达，说白了就是「激光 + 雷达」。它发射一束激光，打到物体上反射回来，通过计算时间差来测距。这个原理其实很简单，跟蝙蝠用超声波差不多，只不过激光雷达用的是光速级别的激光。
我当年第一次拆开一个 16 线激光雷达时，看到里面旋转的机械结构，才真正理解它的工作方式。每个激光发射器对应一个「线」，16 线就是 16 个激光器同时工作，每转一圈就能扫出 16 圈的点云。
核心公式：距离 = (光速 × 飞行时间) / 2
光速 ≈ 3×10⁸ m/s，所以时间测量精度直接决定了测距精度。1 纳秒的误差，对应约 15 厘米的距离偏差。
常见的激光雷达类型，我整理了一个表格，方便你对比：
| 类型 | 工作原理 | 典型代表 | 优缺点 |
|---|---|---|---|
| 机械旋转式 | 激光器整体旋转扫描 | Velodyne VLP-16 | 视野广（360°），但有机械磨损 |
| 固态（MEMS） | 微振镜反射激光 | Livox Horizon | 寿命长，但视场角较小 |
| 固态（Flash） | 一次发射覆盖整个视场 | LeddarTech | 无运动部件，但探测距离有限 |
| 混合固态 | 旋转棱镜 + 固定激光器 | RoboSense RS-LiDAR | 平衡了寿命和视场角 |
我的经验：做室内机器人建图，机械旋转式还是最靠谱的选择。虽然它转起来有点吵，但 360° 的视野在 SLAM 里太重要了。固态雷达视野窄，容易丢特征，建图容易崩。
点云滤波：为什么原始数据不能直接用？
激光雷达吐出来的原始点云，其实挺「脏」的。你想想看，激光打到玻璃上会穿透，打到镜子上会反射到别处，下雨天还会被雨滴反射回来。这些异常点如果不处理，建图时就会出现各种鬼影和噪点。
我曾经在一个玻璃幕墙的办公楼里做测试，结果地图上凭空多出了一堵「墙」。后来才发现，那是玻璃反射造成的虚像点。从那以后，我每次建图前都会先做点云滤波。
直通滤波：快速裁剪无用区域
直通滤波，名字听着高大上，其实就是「切一刀」。你设定一个范围，在这个范围之外的点全部扔掉。
举个例子：你的机器人高度是 1 米，那地面以下和天花板以上的点云基本没用。直接切掉，数据量能减少 30% 以上。
// PCL 直通滤波示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_in);
pass.setFilterFieldName("z"); // 沿 Z 轴裁剪
pass.setFilterLimits(0.1, 1.5); // 保留 0.1m ~ 1.5m 范围
pass.filter(*cloud_filtered);注意：直通滤波的阈值不能设得太死。我见过有人把 Z 轴下限设成 0.2m，结果机器人爬个小坡，地面点全被切掉了，建图直接失败。留点余量，比如设成 0.05m。
体素滤波：降采样但不丢结构
体素滤波是点云处理里最常用的降采样方法。它的思路很简单：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点（通常是重心点）。
这样做的好处是：点云密度均匀了，数据量大幅减少，但物体的几何结构基本保留。我一般会把体素大小设在 0.05m ~ 0.1m 之间，具体看场景。
// PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_in);
voxel.setLeafSize(0.05f, 0.05f, 0.05f); // 5cm 体素
voxel.filter(*cloud_filtered);体素大小怎么选？我总结了一个经验表：
| 场景 | 推荐体素大小 | 说明 |
|---|---|---|
| 室内小房间 | 0.02m ~ 0.05m | 细节多，需要保留特征 |
| 室内大空间 | 0.05m ~ 0.10m | 平衡精度和速度 |
| 室外空旷 | 0.10m ~ 0.20m | 点云稀疏，降采样力度可以大 |
| 实时建图 | 0.08m ~ 0.15m | 优先保证帧率 |
我的习惯：先设一个较大的体素（比如 0.1m）跑一遍，看看建图效果。如果特征匹配不够，再逐步减小。别一上来就用 0.01m，那跟没滤波一样，CPU 直接拉满。
点云处理流程：从原始数据到可用数据
在实际项目中，我不会只用一种滤波。通常是一个组合拳：先直通滤波去掉无用区域，再体素滤波降采样，最后可能再加一个统计滤波去掉离群点。
下面这张图，是我自己总结的点云预处理流程：
统计滤波：揪出那些「不靠谱」的点
统计滤波的原理很有意思：它假设点云中每个点的邻域距离服从高斯分布。如果一个点离它的邻居太远（超过均值 + 若干倍标准差），就判定为离群点，直接扔掉。
我习惯把标准差倍数设成 1.0 ~ 2.0 之间。设得太小，会把正常点也误删；设得太大，离群点又滤不干净。
// PCL 统计滤波示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_in);
sor.setMeanK(50); // 每个点考虑 50 个邻居
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
sor.filter(*cloud_filtered);避坑指南：我曾经在一个工厂车间里做测试，环境里有很多金属表面，激光反射特别强，导致点云里出现了大量「飞点」。统计滤波设了 2.0 倍标准差都滤不干净。后来我把 meanK 从 50 调到了 100，才把那些飞点干掉。记住：环境越复杂，meanK 就要越大。
滤波顺序有讲究吗？
有，而且很重要。我的建议是：先直通，再体素，最后统计。
为什么？直通滤波先砍掉大量无用点，体素滤波降采样时计算量就小很多。统计滤波放在最后，是因为体素滤波已经让点云均匀了，统计滤波的效果会更好。
你想想看，如果先做统计滤波，点云里还有几百万个点，每个点都要算 50 个邻居的距离，那计算量得多大？
小结
这一章我们聊了激光雷达的工作原理，以及三种最常用的点云滤波方法。直通滤波负责「切」，体素滤波负责「缩」，统计滤波负责「清」。三者配合，就能把原始点云处理成干净、轻量、结构完整的数据。
嗯，数据基础打好了，下一阶段我们才能放心地把它喂给建图算法。记住一句话：点云处理的质量，直接决定了建图的上限。别在这个环节偷懒。