传感器数据预处理：激光雷达点云滤波与地面去除，毫米波雷达数据解析与聚类

大家好，我是你们的老朋友。今天咱们聊聊传感器数据预处理这块硬骨头。

说实话，很多同学觉得感知算法就是调模型、跑网络。但我在项目里吃过太多亏了——数据预处理没做好，后面再怎么调参都是白搭。你想想看，垃圾进垃圾出，这个道理在自动驾驶里特别明显。

一、激光雷达点云滤波

激光雷达出来的原始点云，数据量巨大，而且噪声不少。我习惯先做滤波，把没用的点去掉，把有用的点留下来。

1.1 体素滤波（Voxel Filter）

体素滤波说白了就是降采样。把空间划分成小立方体，每个立方体里只保留一个点。这样数据量能减少一大半。

// PCL 中的体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f);  // 10cm 体素
voxel_filter.filter(*cloud_filtered);

体素大小怎么选？我一般看场景。高速场景用 0.2m，城区场景用 0.1m。太小了计算量大，太大了细节丢失。

1.2 直通滤波（PassThrough Filter）

这个更简单。我只保留感兴趣区域内的点。比如高度方向，我只保留地面以上 0.5m 到 3m 的点。太高的点（比如天桥）和太低的点（地面噪声）都去掉。

pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.5, 3.0);
pass.filter(*cloud_filtered);

二、地面去除

地面点对障碍物检测来说是干扰。我常用的方法是 RANSAC 平面拟合。

2.1 RANSAC 平面拟合

原理很简单：随机选三个点拟合平面，计算其他点到平面的距离，距离小于阈值的算内点。重复多次，取内点最多的平面。

pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.15);  // 15cm 阈值
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);

阈值设多少？我一般设 0.1-0.2m。太大容易把低矮障碍物当地面，太小地面去不干净。

2.2 基于高度图的快速地面分割

如果计算资源有限，可以用高度图法。把点云投影到网格上，每个网格取最低点作为地面候选。这个方法快，但精度不如 RANSAC。

我个人习惯：高速场景用高度图法，城区复杂场景用 RANSAC。你想想看，高速上地面平坦，高度图够用了；城区有坡道、减速带，还是 RANSAC 靠谱。

三、毫米波雷达数据解析

毫米波雷达的数据格式各家不一样。我接触过 Continental、Bosch、华为的雷达，解析方式大同小异。

3.1 CAN 数据解析

毫米波雷达通常走 CAN 总线。数据包里有目标 ID、距离、速度、角度、RCS 等信息。

// 以 Continental ARS408 为例
struct RadarObject {
    uint8_t id;          // 目标 ID
    float distance;      // 距离 (m)
    float velocity;      // 相对速度 (m/s)
    float azimuth;       // 方位角 (rad)
    float rcs;           // 雷达散射截面 (dBsm)
};

解析时要注意字节序和缩放因子。我踩过坑——有一次没注意缩放因子，距离算出来差了 10 倍，车都跑到地图外面去了。

3.2 数据有效性检查

毫米波雷达会有虚警。我一般做三步检查：

• 距离范围检查：目标距离必须在雷达探测范围内
• 速度合理性：相对速度不能超过物理极限（比如 100m/s）
• RCS 阈值：RCS 太小的目标可能是噪声

四、毫米波雷达聚类

毫米波雷达的点比激光雷达稀疏得多。我常用的聚类方法是 DBSCAN。

4.1 DBSCAN 聚类

DBSCAN 不需要指定类别数，适合雷达这种点分布不均匀的情况。

from sklearn.cluster import DBSCAN

# 输入：雷达目标列表 [x, y, velocity]
clustering = DBSCAN(eps=2.0, min_samples=3).fit(radar_points)
labels = clustering.labels_

参数怎么调？eps 是邻域半径，我一般设 1.5-3m。min_samples 是最少点数，雷达点少，设 2-3 就够了。

4.2 聚类后处理

聚类完还要做后处理：

• 计算每个聚类的中心点、平均速度
• 过滤掉点数太少的聚类（可能是噪声）
• 合并距离很近的聚类

嗯，这里要注意：雷达的横向分辨率不如纵向。所以聚类时，横向的 eps 可以设大一点。

五、本章知识体系

我把整个流程画了张图，方便你理解：

这张图把两个传感器的处理流程串起来了。左边是激光雷达，右边是毫米波雷达。两条线最后汇合到融合模块。

好了，这一章的内容就这些。数据预处理看起来简单，但做扎实了，后面的障碍物检测会省很多事。我当年就是在这上面吃了不少亏，才慢慢总结出这些经验。

可可精品资料库