第1章：点云生成与预处理——从原始信号到可用点云
大家好，我是你们的老朋友。今天咱们聊聊毫米波雷达点云生成与预处理。说实话，这一章是整个地图匹配技术的基石。你想想看，如果点云质量不行，后面再牛的匹配算法也白搭。我在做车载雷达项目时，就吃过这个亏——点云噪声太多，导致地图匹配频频出错，后来花了整整两周才把预处理流程理顺。
1.1 CFAR检测：从噪声中揪出目标
CFAR，全称是Constant False Alarm Rate，恒虚警率检测。说白了，就是让雷达在复杂环境中稳定地发现目标，同时控制虚警数量。
为什么需要CFAR？因为雷达回波里不仅有目标信号，还有大量噪声和杂波。如果用一个固定阈值去检测，那场景一变，要么漏检要么虚警满天飞。我刚开始做雷达时，就试过固定阈值，结果在雨天直接炸了——雨滴反射全被当成目标。
CFAR的核心思想很简单：动态调整检测阈值。它根据目标周围的噪声水平，实时计算一个合适的门限。
CFAR工作流程：
- 选取一个待检测单元（CUT）
- 在CUT周围选取参考单元（Reference Cells）
- 在CUT附近留出保护单元（Guard Cells），防止目标能量泄漏影响噪声估计
- 计算参考单元的噪声功率均值
- 乘以一个缩放因子α，得到检测阈值
- 如果CUT的能量超过阈值，判定为目标
这里有个关键参数——缩放因子α。α越大，虚警越少，但漏检风险增加；α越小，检测灵敏度高，但虚警增多。我个人习惯在城区场景用α=2.5，高速场景用α=3.0。当然，这需要根据实际数据调优。
常见的CFAR变体有几种：
| 类型 | 特点 | 适用场景 |
|---|---|---|
| CA-CFAR | 单元平均，计算简单 | 均匀噪声环境 |
| GO-CFAR | 取左右窗口的最大均值 | 杂波边缘场景 |
| SO-CFAR | 取左右窗口的最小均值 | 多目标密集场景 |
| OS-CFAR | 排序后取第k个值 | 非均匀噪声环境 |
我的经验：在车载毫米波雷达中，我推荐使用OS-CFAR。虽然计算量稍大，但鲁棒性最好。有一次在隧道场景，CA-CFAR直接崩了，换成OS-CFAR后稳如老狗。
1.2 点云聚类：把散点变成有意义的目标
CFAR检测完，我们得到一堆散点。但这些点可能来自同一个目标——比如一辆车可能有十几个反射点。我们需要把它们聚成一类，才能知道「哦，这里有一辆车」。
常用的聚类算法有两种：
1. DBSCAN（基于密度的聚类）
这是我用得最多的方法。它不需要预先指定类别数，能自动发现任意形状的簇，还能识别噪声点。
DBSCAN有两个关键参数：
- ε（邻域半径）：多大范围内算邻居。毫米波雷达我一般设0.5-1.5米
- MinPts（最小点数）：形成簇需要的最少点数。通常设3-5个
// 伪代码示例：DBSCAN聚类
function DBSCAN(points, eps, minPts):
clusterId = 0
for each point p in points:
if p.visited == false:
p.visited = true
neighbors = regionQuery(p, eps)
if len(neighbors) < minPts:
p.label = NOISE
else:
clusterId++
expandCluster(p, neighbors, clusterId, eps, minPts)
return labels2. 欧几里得聚类
更简单粗暴——计算点与点之间的欧氏距离，距离小于阈值的归为一类。适合点云稀疏的场景。
注意：聚类参数不是固定的。我在高速公路上用ε=1.2米，到了停车场就得缩到0.5米。为什么？因为停车场目标密集，半径大了会把不同车聚到一起。嗯，这个坑我踩过。
1.3 坐标变换：让点云对齐世界
雷达检测到的点是在雷达坐标系下的。但我们要做地图匹配，得把点云转换到车体坐标系，再转到全局坐标系。
坐标变换说白了就是矩阵乘法：
// 雷达坐标系 → 车体坐标系
P_vehicle = R_radar_to_vehicle * P_radar + T_radar_to_vehicle
// 车体坐标系 → 全局坐标系
P_global = R_vehicle_to_global * P_vehicle + T_vehicle_to_global其中R是旋转矩阵，T是平移向量。这些参数来自雷达安装标定和车辆定位系统。
我记得有一次，雷达安装角度偏了0.5度，结果点云整体偏移了2米。找了好久才发现是标定参数出了问题。所以，标定一定要做准，不然后面全是白费功夫。
1.4 噪声滤除：去伪存真
经过前面几步，点云质量已经不错了。但还有一些顽固噪声需要处理。
常见噪声类型：
- 离群点：孤立的、远离主目标的点
- 地面反射：路面、路沿产生的虚假点
- 多径反射：信号经过多次反射产生的鬼影
- 运动模糊：目标运动导致的点云拖尾
我的滤除策略：
- 统计滤波：计算每个点与其k个近邻的平均距离，如果超过均值+σ倍标准差，就干掉它。我一般设k=20，σ=1.5
- 半径滤波：如果一个点周围指定半径内没有足够多的邻居，就认为是噪声。半径0.3米，至少需要3个邻居
- 高度滤波：根据安装高度，滤除地面以下和过高处的点
- 速度一致性检查：如果一个点的多普勒速度与周围点差异过大，很可能是多径噪声
避坑指南：我曾经在隧道里遇到大量多径反射，点云密密麻麻全是假目标。后来加了速度一致性检查，效果立竿见影。多径反射的速度通常与真实目标不一致，利用这一点就能滤掉大部分。
知识体系总览
下面这张图展示了本章的核心逻辑：
从原始回波到高质量点云，每一步都环环相扣。CFAR检测决定了你能看到什么，聚类决定了你怎么理解这些点，坐标变换让点云有了空间意义，噪声滤除则保证了数据的可靠性。
说实话，预处理做得好不好，直接决定了后续地图匹配的成败。我见过太多项目，算法模型选得再好，预处理一塌糊涂，结果就是各种翻车。所以，请务必重视这一章的内容。
好了，这一章就到这里。下一章我们会深入讨论点云配准的核心算法——ICP及其变体。到时候见。