课程导论：什么是点云滤波？为什么需要滤波？
大家好，我是你们这门课的主讲。在激光雷达SLAM和点云处理这块摸爬滚打了快十年，踩过的坑比走过的路还多。今天咱们开篇第一讲，不整那些虚的，直接聊聊最核心的问题——点云滤波到底是什么鬼？
说白了，点云滤波就是给原始点云数据“洗个澡”。你想想看，激光雷达扫出来的点云，就像一张满是噪点的照片。有灰尘、有雨滴、有飞虫、甚至还有传感器自身的抖动噪声。这些乱七八糟的东西，如果不处理，后面的SLAM建图、目标检测、定位导航，全都会崩。
一、什么是点云滤波？
点云滤波，本质上是一个数据预处理步骤。它的目标很单纯：保留有用的信号，剔除无用的噪声。
我习惯把点云滤波分成两大类：
- 基于距离的滤波：比如直通滤波、半径滤波。直接根据点的空间位置做判断。
- 基于统计的滤波：比如统计滤波、体素滤波。通过分析点云的局部统计特性来去噪。
嗯，这里要注意一点。滤波不是“删得越多越好”。我在早期项目里就犯过这个错，为了追求干净的点云，把滤波参数调得太狠，结果把路沿、墙壁边缘这些关键特征也给削没了。后来定位飘得飞起，查了两天才发现是滤波惹的祸。
核心观点：滤波的目标是“去伪存真”，不是“一刀切”。保留几何结构比单纯去噪更重要。
二、为什么需要滤波？
这个问题，我建议你从三个层面去理解：
- 传感器层面：激光雷达本身有测量误差。尤其是16线、32线的机械式雷达，边缘光束的噪声特别大。我记得有一次在雨雪天测试，点云里全是飘动的噪点，不滤波根本没法用。
- 算法层面：大多数SLAM算法、配准算法（比如ICP、NDT）对离群点非常敏感。一个离群点就能把整个位姿估计带偏。你想想看，本来应该匹配到墙面的点，结果匹配到了一个飞行的塑料袋上，那还得了？
- 计算资源层面：原始点云数据量巨大。一帧64线雷达的点云可能有几十万个点。如果不做下采样滤波，嵌入式设备根本跑不动。体素滤波在这里就特别实用。
个人经验：我在做园区无人车项目时，发现滤波后的点云不仅让定位更稳，还让建图速度提升了3倍。因为体素滤波把冗余点去掉了，ICP迭代收敛更快。
三、点云滤波在自动驾驶与机器人中的应用场景
应用场景其实非常广泛。我挑几个典型的说说：
| 场景 | 滤波需求 | 常用方法 |
|---|---|---|
| 自动驾驶定位 | 去除地面反射噪点、动态物体干扰 | 直通滤波 + 统计滤波 |
| 机器人建图 | 下采样减少计算量，保留结构特征 | 体素滤波 |
| 障碍物检测 | 剔除远距离稀疏噪点 | 半径滤波 |
| 多传感器融合 | 统一点云密度，对齐时间戳 | 条件滤波 + 体素滤波 |
举个例子。在高速自动驾驶场景中，激光雷达会扫到远处的路牌、护栏。这些点本身是有效的，但距离远了以后，点云会变得非常稀疏，而且噪声比例很高。如果不做滤波，这些稀疏点会被误判为障碍物，导致车辆频繁误刹车。我曾经就遇到过这种情况，后来加了半径滤波，把孤立点剔除，问题就解决了。
再比如，室内机器人建图。地面点占了总点数的30%以上。如果不对地面做滤波处理，建出来的地图会有一层“雾”，影响后续的导航规划。我习惯先用直通滤波把地面大致切掉，再用统计滤波精修。
避坑指南：我曾经在室外大风天测试，点云里全是飘动的树叶和灰尘。当时用了统计滤波，但参数设得太保守，结果树叶没滤掉，反而把树干上的有效点给误删了。后来我调整了邻域搜索半径和标准差倍数，才找到平衡点。记住：没有万能的滤波参数，一定要根据场景调参。
四、本章知识体系总览
下面这张图，是我自己梳理的点云滤波知识框架。你可以把它当作整个课程的地图：
这张图把整个知识体系串起来了。左边是“为什么”，中间是“怎么做”，右边是“用在哪”。后面的课程，我们会沿着这个框架一步步深入。
好了，导论部分就到这里。记住一句话：滤波做得好，SLAM跑得稳。下一讲我们直接上手，从最常用的直通滤波开始，带你看代码、调参数。