4、点云预处理：点云滤波、降采样、地面去除与感兴趣区域提取
各位同学，咱们今天聊聊点云预处理。说实话，这是整个感知管线里最「脏」最累的活，但也是决定后续算法成败的关键一步。
我刚开始做自动驾驶时，总觉得原始点云数据挺干净的，直接丢给检测算法就行。结果呢？一跑起来，各种噪点、离群点、地面点混在一起，检测框满天飞。后来我才明白——预处理做不好，后面全是白忙活。
4.1 点云滤波：把「脏数据」洗干净
激光雷达采集的点云，说白了就是一堆三维坐标点。但受限于传感器精度、环境干扰，里面总混着不少「垃圾数据」。
常见的滤波手段有这几种：
- 直通滤波（PassThrough Filter）：按坐标轴范围切一刀。比如我只关心前方50米内的点，那就把x > 50的点全扔掉。简单粗暴，但很实用。
- 体素滤波（Voxel Filter）：把空间划分成小立方体，每个立方体只保留一个代表点。这其实是降采样，但也能起到平滑滤波的作用。
- 统计滤波（Statistical Outlier Removal）：计算每个点周围邻居的平均距离，如果某个点离邻居太远，就判定为离群点干掉。我在项目中遇到过，雨雪天气下这个滤波器特别管用。
- 半径滤波（Radius Outlier Removal）：设定一个半径，如果某个点周围邻居数量少于阈值，就干掉。适合去除稀疏的噪点。
我的经验：直通滤波和统计滤波是黄金搭档。先用直通把范围框定，再用统计滤波去除飞点。我一般把统计滤波的邻居数设为20，标准差倍数设为1.0，效果不错。
4.2 降采样：别让数据撑爆你的算力
64线激光雷达一秒钟能产生130万个点。你想想看，如果每帧都全量处理，GPU都得冒烟。所以降采样是必须的。
常用的降采样方法：
- 体素降采样（Voxel Grid Downsampling）：把空间划分成固定大小的体素网格，每个网格内只保留一个点（通常是重心或中心点）。体素大小一般设为0.1m~0.5m。
- 随机降采样（Random Downsampling）：随机扔掉一部分点。简单，但可能丢失关键结构信息。
- 基于距离的降采样：近处保留多点，远处少保留。因为近处需要更精细的感知。
// PCL中的体素降采样示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.2f, 0.2f, 0.2f); // 体素大小20cm
voxel_filter.filter(*cloud_filtered);
注意：体素大小不是越小越好。设成0.05m，点云还是太密；设成0.5m，可能把路沿这种细长结构都抹平了。我一般从0.2m开始调，根据实际场景微调。
4.3 地面去除：把「路」和「障碍物」分开
这是预处理里最核心的一步。为什么？因为地面点占了点云总量的40%~60%，如果不去掉，后续的聚类、检测都会被地面点干扰。
我常用的地面去除方法：
- 平面拟合（RANSAC）：假设地面是一个平面，用RANSAC算法拟合出平面方程，然后去掉所有在平面上的点。简单，但遇到坡道就抓瞎。
- 射线法（Ray Ground Filter）：把点云按角度分成射线，每条射线上找最低点作为地面候选。适合非平坦地面。
- PatchWork：把空间分成多个同心圆环区域，每个区域独立拟合地面。这是目前工业界比较流行的方案。
我曾经在一条有坡度的匝道上测试RANSAC，结果把整个坡面都当成地面去掉了，导致坡上的车辆全部被误判为地面点。嗯，从那以后我再也不敢在非平坦场景下只用RANSAC了。
避坑指南：地面去除的阈值设置很关键。高度阈值设太大，会把低矮障碍物（如路沿、减速带）也去掉；设太小，地面点去不干净。我一般设0.2m~0.3m，然后根据实车数据微调。
4.4 感兴趣区域提取：只关注该关注的
说白了，就是划定一个三维空间范围，只保留这个范围内的点。比如我们的车在高速上跑，你关心的是前方200米、左右各3个车道内的障碍物。再远的点，对当前决策没意义。
ROI提取的常见策略：
- 矩形ROI：按车辆坐标系，划定一个长方体范围。比如x方向[-10, 100]米，y方向[-15, 15]米，z方向[-2, 3]米。
- 扇形ROI：以车为中心，划定一个扇形区域。适合弯道场景。
- 车道级ROI：结合高精地图或车道线检测，只保留当前车道及相邻车道内的点。精度最高，但依赖地图。
// 矩形ROI提取示例
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("x");
pass.setFilterLimits(-10.0, 100.0); // 前方100米，后方10米
pass.filter(*cloud_roi);
我的习惯：ROI范围不是越大越好。范围太大，计算量上去了，还容易引入远处的噪点。我一般根据车速动态调整——车速快时ROI拉长，车速慢时ROI缩短。
4.5 知识体系总览
下面这张图，我把整个点云预处理的流程串起来了。你一看就明白：
你看，整个流程是串行的。每一步都在为下一步做准备。滤波去噪点，降采样减负担，地面去除清障碍，ROI提取定范围。四步走完，点云就从「原始数据」变成了「可用数据」。
核心要点：预处理不是越复杂越好。我见过有人把预处理搞了七八步，结果每步都在丢信息，最后点云都快没了。我的原则是——够用就行，能少一步就少一步。
好了，点云预处理就聊到这儿。记住，这四步是基本功，但每一步都有坑。多在实际数据上跑跑，你就能找到最适合自己场景的参数组合。