一、点云滤波概述

1.1 点云噪声从哪来？

做SLAM这些年，我见过太多被噪声坑惨的项目了。说白了，点云噪声就是传感器采集时混入的「脏数据」。你想想看，激光雷达扫一圈，总有些不该出现的东西混进来。

常见的噪声来源，我归纳为三类：

• 传感器自身噪声——激光雷达的测量误差、多路径反射、边缘效应。我记得有一次调试Velodyne，墙角处总出现一些飘忽的点，后来发现是激光打到玻璃上产生了二次反射。
• 环境干扰——雨雪雾天、阳光直射、动态物体（行人、车辆）。我在做园区无人车时，夏天正午的强光直接让雷达数据炸了，满屏都是飞点。
• 运动畸变——扫描过程中传感器或目标在动，导致点云变形。这个在手持SLAM里特别常见，你边走边扫，墙都给你扫歪了。

1.2 滤波在SLAM中到底多重要？

说实话，早期我做SLAM时对滤波不太上心。觉得算法够强就行，噪声让后端优化去扛。结果呢？前端匹配经常崩，回环检测误报一堆。

后来我总结出滤波的三个关键作用：

1. 提升配准精度——ICP、NDT这类算法对离群点极其敏感。一个飞点就能把变换矩阵带偏几厘米。你想想看，几厘米的误差累积起来，地图不飘才怪。
2. 减少计算量——原始点云动不动几十万点，全量处理太慢了。滤波后保留关键点，速度能快一个数量级。我习惯在预处理阶段先降采样，后面所有环节都受益。
3. 改善地图质量——滤波能去掉漂浮点、平滑表面、填补小空洞。最终建出来的地图干净整洁，做导航也好，做可视化也罢，都舒服得多。

1.3 常见滤波算法分类

滤波算法五花八门，但按思路分，其实就三大流派。我画了张图帮你理清脉络：

下面我逐个说说每种算法的核心思路：

基于统计的滤波

这类算法的核心假设是：噪声点周围的点密度明显低于正常点。说白了，好点都是扎堆的，坏点都是孤零零的。

统计滤波（SOR）——我最常用的去噪方法。它计算每个点到k个最近邻的平均距离，然后假设这个距离服从高斯分布。距离超过均值±n倍标准差的，直接干掉。

// PCL中的统计滤波示例
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50);          // 近邻点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);

半径滤波——更直观的思路：在指定半径内，如果邻居点少于某个阈值，就认为是噪声。它比SOR更「硬核」，适合处理那些明显孤立的飞点。

基于邻域的滤波

这类算法不关心「是不是噪声」，而是关心「怎么用周围点来代表这个区域」。说白了就是降采样，保留结构，减少数据量。

体素滤波（VoxelGrid）——SLAM预处理的标准操作。把空间切成小立方体（体素），每个体素内所有点取重心或中心。体素大小是关键参数：设大了细节丢失，设小了降采样效果不明显。

// PCL体素滤波
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud);
vg.setLeafSize(0.05f, 0.05f, 0.05f); // 5cm体素
vg.filter(*cloud_filtered);

均匀采样滤波——和体素滤波类似，但它保证每个体素内最多保留一个点。适合对点云密度均匀性有要求的场景。

基于投影的滤波

这类算法最简单，也最容易被忽视。它的思路是：根据某个条件直接「切一刀」。

直通滤波（PassThrough）——指定一个轴的范围，范围内的保留，范围外的扔掉。比如我只关心前方10米内的点，那就把x轴限制在0-10米。

// 直通滤波：只保留z轴在-1到1米之间的点
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(-1.0, 1.0);
pass.filter(*cloud_filtered);

条件滤波——直通滤波的升级版，可以组合多个条件。比如「x在0-10米且z在-1到1米且反射强度大于50」。适合做精细的ROI提取。

嗯，这一章先聊到这儿。滤波这东西，光看理论不够，得动手调参数才能找到感觉。后面几章我会带大家逐个算法深入实战，到时候咱们再细聊。