3、点云预处理：点云滤波、降采样与地面分割
各位同学，欢迎来到第三章。
上一章我们聊了聊点云数据是怎么来的，以及它长什么样。这一章，咱们要动真格的了——处理点云。
你想想看，激光雷达一秒钟扫出几十万个点，这里面有噪声、有远距离的稀疏点、有地面、有车辆、有行人……如果一股脑全丢给后面的感知算法，那计算量直接爆炸，而且效果还差。所以，预处理这一步，说白了就是“去粗取精”。
我个人习惯把点云预处理分成三大块：滤波、降采样、分割。咱们一个一个来。
核心思路： 先滤掉噪声和无关区域，再降低数据量，最后把地面和非地面分开。顺序很重要，别搞反了。
3.1 点云滤波：把脏东西筛出去
滤波，就是过滤掉我们不想要的数据。在自动驾驶场景里，常见的“脏东西”有：
- 离群点：莫名其妙飘在空中的孤立点，通常是传感器噪声。
- 远距离点：超过100米甚至200米的点，反射率低、精度差，基本没用。
- 自车车身点：激光雷达扫到自己车身上的点，必须去掉。
常用的滤波方法有三种，我按使用频率排个序：
3.1.1 直通滤波（PassThrough Filter）
这个最简单，也最常用。说白了就是“切一刀”。
比如，我只关心车前50米范围内的障碍物，那就把x方向（车辆前进方向）上大于50米的点全部扔掉。同样，z方向（高度）上，高于车顶或低于地面的点也可以切掉。
我在项目中遇到过一个坑：直通滤波的坐标系一定要搞清楚。有一次我把x和y搞反了，结果把左右两侧的车全滤掉了，正前方的车反而留着……嗯，调试了半小时才发现。
// C++ 示例：PCL 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z"); // 沿Z轴（高度）滤波
pass.setFilterLimits(-1.5, 3.0); // 保留 -1.5m 到 3.0m 之间的点
pass.filter(*cloud_filtered);小技巧： 直通滤波的阈值不要设得太死。比如地面高度，不同路况下可能有起伏，留点余量。
3.1.2 体素滤波（Voxel Filter）
体素滤波，其实更常用于降采样。但它的另一个功能是“去噪”。
原理很简单：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）。这样，同一个体素内的多个点就被合并了。
这能起到滤波作用吗？能。因为噪声点往往是孤立的，如果某个体素内只有一个点，那这个点大概率是噪声，可以直接扔掉。
// C++ 示例：PCL 体素滤波（用于去噪）
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud);
voxel.setLeafSize(0.1f, 0.1f, 0.1f); // 体素大小 10cm
voxel.filter(*cloud_filtered);3.1.3 半径滤波（Radius Outlier Removal）
这个滤波器，专门对付“孤魂野鬼”。
它的逻辑是：对于每个点，检查它周围指定半径内有多少个邻居。如果邻居数量少于某个阈值，就认为它是离群点，删掉。
我曾经在高速场景下用过半径滤波。当时发现，如果半径设得太小（比如0.3米），远处的稀疏点会被误删；如果设得太大（比如2米），计算量又上去了。后来我取了个折中：0.5米半径，至少需要3个邻居。
// C++ 示例：PCL 半径滤波
pcl::RadiusOutlierRemoval<pcl::PointXYZ> rad;
rad.setInputCloud(cloud);
rad.setRadiusSearch(0.5); // 搜索半径 0.5米
rad.setMinNeighborsInRadius(3); // 至少3个邻居
rad.filter(*cloud_filtered);注意： 半径滤波对近处密集点效果好，但对远处稀疏点要小心。远处的一辆车可能只有几个点，半径滤波可能会把它当成噪声删掉。
3.2 点云降采样：给数据“瘦身”
滤波之后，点云还是太密。尤其是近处的点，密密麻麻的，计算量太大。
降采样的目的，就是在不损失太多信息的前提下，减少点的数量。最常用的方法就是——体素网格降采样。
你没看错，和刚才的体素滤波用的是同一个算法。但目的不同：刚才是为了去噪，现在是为了降采样。
// C++ 示例：体素网格降采样
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_filtered);
sor.setLeafSize(0.2f, 0.2f, 0.2f); // 20cm 体素，降采样力度较大
sor.filter(*cloud_downsampled);体素大小怎么选？我个人的经验是：
| 场景 | 推荐体素大小 | 说明 |
|---|---|---|
| 高速公路 | 0.2m - 0.3m | 远处目标小，体素太大容易丢失细节 |
| 城市道路 | 0.1m - 0.2m | 行人、自行车需要较高分辨率 |
| 停车场/园区 | 0.05m - 0.1m | 近距离、高精度需求 |
我的习惯： 先设一个较大的体素（比如0.3m），看看效果。如果目标检测漏检了，再逐步调小。别一上来就设0.05m，那跟没降采样差不多。
3.3 点云分割：地面 vs 非地面
这是预处理里最关键的一步。
为什么要把地面分割出来？因为地面上的点太多了，占了点云总量的30%-50%。如果不分割，后面的障碍物检测、聚类算法会被地面点严重干扰。
常用的地面分割方法有很多，比如RANSAC平面拟合、基于射线的方法、基于高度图的方法。在Autoware里，最常用的是基于RANSAC的平面拟合。
3.3.1 RANSAC地面分割原理
RANSAC（随机采样一致性）的思路很直接：
- 随机选三个点，拟合一个平面。
- 计算所有点到这个平面的距离。
- 距离小于阈值的点，认为是“内点”（地面点）。
- 重复以上步骤，找到内点最多的那个平面。
说白了，就是“投票选出最像地面的那个平面”。
// C++ 示例：PCL RANSAC 地面分割
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); // 平面模型
seg.setMethodType(pcl::SAC_RANSAC); // RANSAC方法
seg.setMaxIterations(100); // 最大迭代次数
seg.setDistanceThreshold(0.2); // 距离阈值 0.2米
seg.setInputCloud(cloud_downsampled);
seg.segment(*inliers, *coefficients);避坑指南： 我曾经在坡道上吃过亏。RANSAC默认假设地面是平面，但坡道是斜面。如果坡度太大，RANSAC会把坡道上的车也当成地面点。后来我改用基于射线的地面分割，效果才好起来。
3.3.2 提取非地面点
分割出地面点之后，剩下的就是非地面点——也就是我们真正关心的障碍物点。
// 提取非地面点（障碍物）
pcl::ExtractIndices<pcl::PointXYZ> extract;
extract.setInputCloud(cloud_downsampled);
extract.setIndices(inliers);
extract.setNegative(true); // 提取非地面点
extract.filter(*cloud_obstacle);3.4 本章小结
好了，这一章的内容就这些。总结一下：
- 滤波：直通滤波切范围，半径滤波去噪声，体素滤波可兼用。
- 降采样：体素网格是王道，体素大小看场景。
- 地面分割：RANSAC最常用，但坡道要小心。
预处理做得好，后面的感知模块才能跑得稳。我见过太多同学一上来就调检测参数，结果发现是预处理没做好——嗯，白费功夫。
下一章，咱们聊聊点云聚类，把一个个障碍物从点云里“抠”出来。