一、点云滤波概述

大家好，我是你们的老朋友。今天咱们聊聊点云滤波——这个在定位算法里看似基础、实则暗藏玄机的话题。

说实话，我入行那会儿，对滤波的理解就是「把噪声去掉」。后来在自动驾驶项目里吃过亏，才明白事情没那么简单。你想想看，一个激光雷达每秒扫出几十万个点，里面混着飞溅的雨滴、飘动的树叶、甚至路面上反光的螺丝钉……如果不做滤波，定位算法分分钟跑偏。

1.1 点云数据的特点与挑战

点云数据长什么样？说白了，就是一堆三维坐标点，每个点还带着强度值、时间戳之类的属性。但真正用起来，你会发现它有几个让人头疼的特点：

• 数据量大：64线激光雷达每秒能产生130万个点。我早期用笔记本跑，直接卡死。
• 密度不均匀：近处密密麻麻，远处稀稀拉拉。同一个物体，距离不同，点云密度能差几十倍。
• 噪声多：环境反射、多路径效应、运动畸变……各种干扰。
• 无序性：点云没有固定的排列顺序，不像图像那样有像素网格。

我记得有一次做园区物流车的定位，点云里总出现一些「幽灵点」——后来排查发现，是玻璃幕墙的镜面反射造成的。这种噪声，常规的统计滤波根本滤不掉。

1.2 滤波在定位中的核心作用

滤波在定位里到底扮演什么角色？我个人的理解是三个字：净化器。

1. 提升匹配精度：做ICP或者NDT配准时，噪声点会拉偏变换矩阵。滤干净了，匹配才能准。
2. 降低计算负担：几十万个点全算一遍，实时性根本扛不住。滤波降采样后，计算量能降一个数量级。
3. 增强鲁棒性：动态物体（行人、车辆）产生的点云，如果不滤掉，定位结果会跟着「飘」。

1.3 常见点云滤波算法分类

市面上的滤波算法五花八门，我习惯把它们分成四大类。下面这张图可以帮你快速建立知识框架：

下面我逐个说说这些算法的特点，以及我在实际项目中的使用感受。

1.3.1 统计滤波

统计滤波的原理很简单：计算每个点到它K个最近邻的平均距离，如果这个距离偏离整体均值太多，就判定为离群点。

我曾经在一个矿区项目里用过统计滤波。矿区粉尘大，点云里全是悬浮颗粒的反射。统计滤波一上，干净多了。但要注意——如果场景本身就有很多稀疏的真实物体（比如远处的电线杆），统计滤波可能会把它们也误删掉。

1.3.2 半径滤波

半径滤波更直接：以每个点为中心画个球，如果球内的邻居点数少于某个阈值，就干掉这个点。

1.3.3 体素滤波

体素滤波是降采样的主力。把空间划分成小立方体（体素），每个体素里只保留一个点（重心或中心点）。

说实话，体素滤波是我用得最多的。为什么？因为它同时做了两件事：降采样和去噪。体素越大，点越少，计算越快，但几何细节丢失也越多。这里有个权衡——我个人习惯在定位前端用大尺寸体素（比如0.5m）快速降采样，后端做精细匹配时再用小尺寸（0.1m）。

1.3.4 条件滤波

条件滤波最灵活——你可以自定义任何规则。比如只保留强度值在某个范围内的点，或者只保留距离地面一定高度范围内的点。

我曾经做过一个隧道定位项目，激光雷达打到隧道壁上的点强度特别高，而地面点强度低。用条件滤波按强度一筛，轻松把地面点去掉了，后续匹配效率提升了一大截。

小结

好了，这一章我们聊了聊点云滤波的基本概念。说白了，滤波不是简单的「去掉噪声」，而是要根据你的定位场景、传感器特性、计算资源来综合选择策略。没有银弹，只有最适合你项目的方案。

下一章我会带大家深入统计滤波的数学原理和代码实现。到时候咱们手撕PCL代码，看看参数到底怎么调才靠谱。