第一章：点云滤波概述

大家好，我是你们这门课的老朋友。今天咱们聊聊点云滤波。

说实话，我刚开始接触激光雷达那会儿，觉得滤波这事儿挺简单的——不就是把噪点去掉吗？后来在项目里栽过跟头才明白，滤波是整个点云处理流程的基石。你想想看，地基没打好，上面盖的楼能稳吗？

1.1 什么是点云滤波？

点云滤波，说白了就是对原始点云数据进行筛选和优化的过程。它要做的事情包括：

• 去除噪声点——比如空气中的悬浮颗粒、传感器自身的测量误差
• 剔除离群点——那些明显偏离主体点云的孤立点
• 降采样——在保持几何特征的前提下减少数据量
• 保留感兴趣区域——只留下我们关心的那部分点云

我习惯把点云滤波比作「筛沙子」。原始点云就像刚从河滩挖上来的沙石，里面有沙子、石子、还有贝壳碎片。滤波就是根据你的需求，用不同目数的筛子，把想要的东西分出来。

1.2 为什么需要滤波？

这个问题我问过不少刚入行的同学。有人回答「因为数据太脏」，有人回答「因为点太多算不动」。都对，但不够全面。

我个人总结，滤波的必要性来自三个方面：

1. 传感器本身的局限性——激光雷达不是完美的。多路径反射、边缘效应、大气散射，都会引入噪声。我记得有一次在雨雾天气测试，点云里全是飘浮的噪点，不滤波根本没法用。
2. 计算资源的约束——64线激光雷达一秒钟能产生130多万个点。你想想看，如果直接拿这些原始数据去做SLAM建图，CPU直接冒烟。降采样滤波是必须的。
3. 算法稳定性的要求——很多SLAM算法对离群点非常敏感。一个离群点可能导致特征匹配失败，甚至让整个位姿估计崩掉。我曾经因为没做好滤波，在走廊场景里跑SLAM，结果地图上多了一堵「幽灵墙」。

1.3 滤波在SLAM中的应用场景

SLAM（即时定位与地图构建）是点云滤波最典型的应用场景之一。我把它拆成几个关键环节来讲：

1.3.1 前端里程计中的滤波

前端里程计要做的是帧间匹配，也就是算两帧点云之间的相对位姿。如果原始点云里有大量噪声，匹配精度会直线下降。

常见的做法是：

• 先做体素滤波降采样，把点云密度降到可处理的范围
• 再做统计滤波剔除离群点，保证匹配的稳定性
• 最后做半径滤波，进一步清理孤立点

我个人的习惯是：体素滤波的体素大小设为0.1m，统计滤波的邻域点数设为30，标准差倍数设为1.0。当然，这个参数要根据实际场景调整。

1.3.2 后端优化中的滤波

后端优化处理的是关键帧和地图点。这里滤波的作用更偏向于数据管理。

举个例子：在构建全局地图时，如果每个关键帧都保留全部点云，地图会变得极其臃肿。我们需要对地图点进行体素滤波，让地图保持一个均匀的密度。

我记得有个项目，地图建了半小时，结果保存下来有2个G。后来加了滤波，地图压缩到200M，精度基本没损失。

1.3.3 回环检测中的滤波

回环检测需要从当前帧中提取特征，然后去历史帧里找匹配。如果点云里有大量噪点，特征提取会变得不稳定。

这里我建议用直通滤波先切出感兴趣区域，比如只保留地面以上0.5m到2.5m范围内的点。这样既能减少计算量，又能避免地面点和天花板点干扰特征提取。

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，而且决策层对点云质量极其敏感。

应用场景	滤波目标	常用方法
障碍物检测	去除地面点，保留障碍物	直通滤波、地面滤波
车道线识别	保留地面点，去除其他	直通滤波、条件滤波
动态物体跟踪	去除静态背景，保留运动物体	体素滤波+时间域滤波
高精地图构建	去除动态物体，保留静态结构	统计滤波+半径滤波

你看，不同的任务对滤波的要求完全不同。障碍物检测要把地面去掉，车道线识别却要保留地面。这就是为什么我说「滤波不是简单的去噪，而是有选择的信息保留」。

1.5 本章知识体系

为了让大家对点云滤波有一个整体的认识，我画了一张框架图：

这张图把点云滤波的流程串起来了：原始数据进来，经过不同的滤波方法处理，最终输出高质量的点云，服务于SLAM和自动驾驶等应用。

1.6 小结

这一章我们聊了：

• 点云滤波的本质是有选择的信息保留
• 滤波的必要性来自传感器局限、计算约束和算法稳定性
• 滤波在SLAM和自动驾驶中有广泛的应用场景

嗯，到这里第一章就结束了。下一章我们会深入讲解体素滤波的原理和实战代码。到时候我会带着大家手写一个体素滤波器，看看它到底是怎么工作的。