3. 传感器数据处理：激光雷达点云滤波、聚类与特征提取
大家好，我是你们的老朋友。今天咱们聊聊激光雷达的数据处理。说实话，很多新手一上来就急着跑算法，结果点云数据乱七八糟，后面决策全崩了。我当年也踩过这个坑——有一次在园区测试，车突然对着一个垃圾桶急刹，后来发现是点云没滤干净，把垃圾桶当成了行人。嗯，从那以后，我养成了一个习惯：先花 70% 的精力把数据洗干净，再谈后面的决策。
这一章，我们就聚焦在三个核心环节：滤波、聚类、特征提取。说白了，就是把原始点云变成机器人能理解的障碍物信息。
3.1 点云滤波：去噪与下采样
激光雷达扫出来的原始点云，其实挺脏的。有飘在空中的噪点，有地面反射的杂波，还有远处的稀疏点。你想想看，如果把这些都喂给聚类算法，结果会怎样？
我个人习惯，先做两步滤波：
- 直通滤波（PassThrough）：直接砍掉距离太远或太近的点。比如我只保留 0.5m 到 50m 范围内的点，超出这个范围的，要么是车身上的点，要么是噪声。
- 体素滤波（VoxelGrid）：把空间切成小立方体，每个立方体只保留一个代表点。这样点云数量能减少 80% 以上，但形状特征基本保留。
重要经验：体素滤波的格子大小很关键。设太大，障碍物细节丢失；设太小，计算量降不下来。我在项目中一般设 0.1m 到 0.2m，具体看激光雷达的线束密度。
下面是我常用的滤波代码片段：
# 直通滤波
pass_through = cloud_filtered.passthrough(filter_axis='z',
min_range=-0.5,
max_range=2.0)
# 体素滤波
voxel_filter = cloud_filtered.voxel_grid_filter(leaf_size=0.15)
小技巧：如果你用的是 16 线雷达，体素大小建议 0.2m；如果是 64 线或 128 线，可以缩到 0.1m。线束越多，点越密，格子就可以设小一点。
3.2 点云聚类：把点变成块
滤波之后，我们得到了一堆干净的点。但机器人需要知道：哪些点属于同一个障碍物？这就靠聚类了。
最常用的方法是 欧几里得聚类（Euclidean Clustering）。它的逻辑很简单：如果两个点之间的距离小于某个阈值，就认为它们属于同一个物体。
我记得有一次在雨雾天气测试，点云变得特别稀疏，聚类阈值设小了，一个行人被分成了三块；设大了，又把旁边的树和行人粘在一起。后来我总结了一个经验：
- 聚类半径：一般设 0.3m 到 0.5m。室内场景可以小一点，室外大一点。
- 最小点数：少于 5 个点的簇直接丢弃，大概率是噪声。
- 最大点数：超过 5000 个点的簇，可能是墙面或大型车辆，需要单独处理。
避坑指南：我曾经在高速场景下，把路边的护栏和一辆静止的轿车聚在了一起。原因是护栏的点太密，聚类半径覆盖了车。后来我加了距离自适应——近处用大半径，远处用小半径，效果好了很多。
聚类后的效果，可以用下面这张图来理解：
3.3 特征提取：从块到属性
聚类之后，我们有了一个个障碍物点云块。但机器人还需要知道：这个块是什么？它有多大？它朝哪个方向运动？
特征提取就是干这个的。我一般提取以下几类特征：
| 特征类别 | 具体特征 | 计算方法 | 用途 |
|---|---|---|---|
| 几何特征 | 中心点、长宽高、体积 | 计算点云的最小包围盒 | 判断障碍物大小 |
| 形状特征 | 线性度、平面度、散度 | PCA 分解点云协方差矩阵 | 区分行人（散状）vs 车辆（平面状） |
| 运动特征 | 速度、加速度、运动方向 | 多帧跟踪 + 卡尔曼滤波 | 预测障碍物未来位置 |
| 统计特征 | 点云数量、密度、强度均值 | 直接统计 | 辅助分类（如金属反射强度高） |
这里重点说一下形状特征。为什么它重要？你想想看，一个行人和一根电线杆，在点云里可能大小差不多，但形状完全不同。行人点云比较散乱，而电线杆的点云呈细长条状。
我常用的方法是 PCA（主成分分析）。简单来说，就是计算点云的三个主方向，然后看它们的比值：
- 线性度（Linearity）：如果点云主要沿一个方向分布，说明是细长物体（如电线杆、树干）。
- 平面度（Planarity）：如果点云主要分布在两个方向上，说明是平面物体（如墙面、车辆侧面）。
- 散度（Scatter）：如果三个方向分布均匀，说明是散乱物体（如行人、灌木丛）。
实战经验：我在做行人检测时，发现单纯靠几何大小（比如宽度 0.5m）会误检很多。后来加了散度特征，行人的散度一般在 0.3 以上，而车辆在 0.1 以下。这个阈值帮我过滤掉了 90% 的误检。
特征提取的代码示例：
# 计算点云协方差矩阵
cov_matrix = np.cov(points.T)
# PCA 分解
eigenvalues, eigenvectors = np.linalg.eig(cov_matrix)
# 归一化特征值
eigenvalues = np.sort(eigenvalues)[::-1]
linearity = (eigenvalues[0] - eigenvalues[1]) / eigenvalues[0]
planarity = (eigenvalues[1] - eigenvalues[2]) / eigenvalues[0]
scatter = eigenvalues[2] / eigenvalues[0]
小提示：如果你用的是 ROS，PCL 库里有现成的 MomentOfInertiaEstimation 类，可以直接算包围盒和特征值。但建议自己手写一遍 PCA，理解原理后调参才不慌。
3.4 本章小结
好了，这一章的内容就这些。总结一下核心要点：
- 滤波：直通滤波砍范围，体素滤波降密度。别偷懒，这一步做不好，后面全是白费。
- 聚类：欧几里得聚类最常用，注意半径和点数阈值。雨雾天气记得调参。
- 特征提取：几何特征看大小，形状特征看 PCA，运动特征靠跟踪。三者结合才能准确判断障碍物类型。
说实话，传感器数据处理这部分，看起来基础，但真正做好的工程师不多。我见过太多人直接拿开源代码跑，结果在真实场景里各种翻车。嗯，希望你能沉下心来，把每一步都吃透。
下一章，我们会把这些处理好的障碍物信息，用到决策规划里去。到时候你就知道，今天花的时间，绝对值。