4. 点云数据预处理：点云滤波、降采样与离群点去除
点云数据预处理，说白了就是给原始点云“洗个澡”。
激光雷达或深度相机扫出来的原始点云，往往带着大量噪声、冗余点和离群点。你想想看，一个机械臂要建图，如果直接拿这些脏数据去算，结果肯定一塌糊涂。我在项目里见过不少新手，上来就急着跑配准算法，结果地图飘得亲妈都不认识——嗯，问题就出在预处理没做好。
核心目标：在保留几何结构的前提下，剔除噪声、压缩数据量、去除孤立点。这一步做扎实了，后续的建图精度至少提升30%。
4.1 点云滤波的三大流派
我个人习惯把点云滤波分成三类：空间滤波、统计滤波和降采样滤波。它们解决的问题不同，但经常组合使用。
| 滤波类型 | 核心思想 | 典型算法 | 适用场景 |
|---|---|---|---|
| 空间滤波 | 基于体素网格的近似 | 体素滤波 (VoxelGrid) | 降采样、均匀化点云密度 |
| 统计滤波 | 基于邻域统计特征 | 统计离群点去除 (SOR) | 去除稀疏离群点、飞点 |
| 半径滤波 | 基于邻域点数阈值 | RadiusOutlierRemoval | 去除孤立小簇 |
4.2 体素滤波：最常用的降采样手段
体素滤波的原理很简单：把三维空间切成一个个小立方体（体素），每个体素内只保留一个重心点。这样一来，点云密度就均匀了，数据量也大幅下降。
我在做仓储机器人环境建图时，原始点云有200多万个点，直接处理内存直接爆掉。用体素滤波把体素大小设为0.05m，点云压缩到20万点，建图精度几乎没损失，但速度提升了近10倍。
体素大小怎么选？
- 机械臂工作空间小（1-2m范围）：建议 0.01m - 0.03m
- 大场景建图（10m以上）：建议 0.05m - 0.1m
- 精细重建：建议 0.005m 以下，但注意内存开销
// PCL 体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud_in);
voxel_filter.setLeafSize(0.02f, 0.02f, 0.02f); // 体素边长 2cm
voxel_filter.filter(*cloud_filtered);
std::cout << "原始点数: " << cloud_in->size()
<< " 滤波后: " << cloud_filtered->size() << std::endl;4.3 统计滤波：揪出那些“孤魂野鬼”
统计滤波的原理是：对每个点，计算它到k个最近邻的平均距离。如果这个平均距离超出了全局均值加上若干倍标准差，就判定为离群点。
为什么会这样？因为真实物体表面的点，邻域距离分布是相对集中的。而噪声点、飞点往往孤零零地飘在外面，邻域距离会明显偏大。
我曾经踩过的坑：统计滤波的参数设置不当，把机械臂末端的薄壁结构点云全给滤掉了。后来发现是标准差倍数设得太小（设为0.5），导致正常点也被误杀。建议从1.0开始调，观察效果再微调。
// PCL 统计离群点去除
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_in);
sor.setMeanK(50); // 邻域点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);4.4 半径滤波：简单粗暴的孤立点清除
半径滤波的逻辑更直接：以每个点为中心，画一个半径为r的球。如果球内的邻居点数少于阈值N，就干掉这个点。
这招对付那些“孤零零”的噪声点特别有效。我在做桌面级机械臂抓取时，深度相机经常在边缘产生一些飘散的点，用半径滤波（半径0.03m，阈值5个点）一次就清干净了。
// PCL 半径离群点去除
pcl::RadiusOutlierRemoval<pcl::PointXYZ> rad_filter;
rad_filter.setInputCloud(cloud_in);
rad_filter.setRadiusSearch(0.03); // 搜索半径 3cm
rad_filter.setMinNeighborsInRadius(5); // 最少邻居数
rad_filter.filter(*cloud_filtered);4.5 滤波流程组合：先降采样，后去噪
在实际项目中，我通常按这个顺序处理：
- 体素滤波：先把点云密度降下来，减少后续计算量
- 统计滤波：去除稀疏离群点
- 半径滤波：补刀，清除残留的孤立小簇
你想想看，如果反过来先做统计滤波，点云密度不均匀会导致统计特征失真，效果反而不好。
4.6 参数调优的实战经验
参数调优没有银弹，但有几个经验法则：
- 体素大小：从0.02m起步，观察点云密度变化。如果物体边缘出现明显锯齿，说明体素太大了
- 统计滤波的MeanK：一般取20-50。点数太少，统计结果不稳定；太多，计算量上去了
- 标准差倍数：1.0是安全起点。场景干净可以降到0.8，噪声大可以升到1.5
- 半径滤波的半径：通常取体素大小的1.5-2倍，这样能保证与降采样后的点云密度匹配
调试小技巧：每次滤波后，把结果可视化出来看一眼。肉眼检查比任何指标都直观。我在项目里习惯写一个简单的可视化回调，每步滤波后自动刷新显示，这样能快速发现问题。
4.7 性能考量与工程落地
在嵌入式平台上跑点云滤波，资源是硬约束。我做过一个基于Jetson Nano的机械臂建图项目，几点经验供参考：
- 体素滤波用PCL的
ApproximateVoxelGrid，比标准版快30%，精度损失可接受 - 统计滤波的k-d tree构建是瓶颈，建议只在第一帧构建，后续复用
- 如果实时性要求高（>30Hz），考虑用GPU加速的滤波实现
- 点云数据量超过50万点时，先降采样再做其他滤波，否则内存会炸
嗯，预处理这一步虽然基础，但直接影响整个建图管线的成败。我见过太多人在这上面翻车——要么参数乱调把特征滤没了，要么偷懒不做预处理直接跑算法。记住一句话：垃圾进，垃圾出。预处理花的时间，会在后续的建图精度上成倍回报给你。