1. 点云滤波概述
大家好，我是你们这门课的主讲。做了这么多年点云处理，我最大的感受就是：滤波不是预处理，滤波就是命根子。你想想看，一个脏数据进去，后面什么SLAM、目标检测全得崩。今天咱们就来聊聊，点云滤波到底是个啥，为什么非做不可。
1.1 什么是点云滤波
说白了，点云滤波就是给三维点云数据“洗澡”。把那些不该出现的噪声点、离群点、冗余点统统去掉，留下干净、有用的点。
我习惯把点云滤波分成三类：
- 去噪滤波：干掉传感器自带的噪声，比如激光雷达的“飞点”
- 下采样滤波：点太多算不动，得抽稀一下，保留关键特征
- 离群点移除：那些孤零零飘在空中的点，十有八九是干扰
举个例子，你拿个16线激光雷达扫停车场，一帧能出3万个点。但里面可能有树叶反射的杂点、地面上的反光点、甚至飞过的鸟。不滤波？那SLAM建图直接歪到姥姥家。
核心观点：滤波不是“可选项”，而是“必选项”。没有滤波的点云，就像没洗过的土豆——看着能吃，咬一口全是泥。
1.2 为什么需要滤波
我在项目里遇到过最惨的一次：用Velodyne VLP-16做园区自动驾驶，没做滤波直接跑LOAM。结果呢？地图里全是飘浮的“鬼点”，定位误差直接飙到50厘米。后来排查发现，就是几个离群点把ICP匹配带偏了。
滤波的必要性，我总结为三点：
- 传感器天生有噪声——激光雷达在边缘处、强光下、雨雾天，数据质量会断崖式下跌
- 计算资源有限——嵌入式平台（比如Jetson Orin）根本扛不住几十万点实时处理
- 算法对噪声敏感——SLAM里的特征匹配、NDT配准，一个坏点就能毁全局
避坑指南：我曾经以为“多采点数据总没错”，结果在高速场景下，一帧64线雷达的64万点直接让CPU满载，帧率掉到5Hz。从那以后，我养成了“先滤波，再处理”的习惯。
1.3 滤波在SLAM中的应用场景
SLAM里滤波无处不在。我随便说几个场景，你感受一下：
| SLAM阶段 | 滤波作用 | 典型方法 |
|---|---|---|
| 前端里程计 | 去除动态物体（行人、车辆）的干扰点 | 体素滤波 + 半径滤波 |
| 后端优化 | 剔除回环检测中的误匹配点 | 统计滤波 + RANSAC |
| 建图 | 下采样减少地图体积，保留几何结构 | 体素滤波 + 均匀采样 |
| 定位 | 滤除地面点，减少匹配干扰 | 直通滤波 + 平面分割 |
嗯，这里要注意：不同场景对滤波的要求完全不同。比如做室内SLAM，地面点可能是重要参考；但做自动驾驶，地面点反而会干扰障碍物检测。所以滤波策略得“因地制宜”。
1.4 滤波在自动驾驶中的应用场景
自动驾驶对点云滤波的要求，比SLAM更苛刻。为什么？因为实时性要求更高，而且安全第一。
我参与过一个L4级无人配送车项目，总结下来滤波在自动驾驶里主要干这几件事：
- 去除雨雾噪声——雨滴反射的点，必须滤掉，不然会误识别为障碍物
- 地面分割——把地面点分离出来，剩下的才是可通行区域和障碍物
- 动态物体过滤——运动中的车、人，在SLAM里是干扰，但在感知里是目标
- 远距离点裁剪——超过100米的点，精度太差，直接扔掉
个人经验：在自动驾驶里，我习惯先用直通滤波把范围卡死（比如前后50米，左右20米），再用体素滤波降采样到每帧2万点左右。这样既能保证实时性，又不丢失关键障碍物信息。
1.5 本章知识体系
为了让你更直观地理解，我画了一张图。这张图展示了点云滤波在整个处理流程中的位置，以及不同滤波方法之间的关系。
从这张图你能看到：原始点云经过滤波处理后，会流向不同的应用场景。而滤波本身又包含三大类方法，每一类都有各自的适用场景。后面的章节，我会逐一拆解这些方法。
一句话总结：点云滤波是SLAM和自动驾驶的“第一道防线”。搞不定滤波，后面的算法再牛也白搭。
好了，这一章就到这里。记住我今天说的：滤波不是预处理，滤波是命根子。下一章咱们直接上手，用Python写第一个滤波程序。