3. 体素滤波实战：PCL库体素滤波实现、参数调优技巧、在激光SLAM中的典型应用

3.1 体素滤波到底在干什么？

体素滤波，说白了就是给点云“降采样”。

你想想看，激光雷达一秒钟扫几十万个点出来。这么多点，直接拿去跑SLAM，CPU直接冒烟。我刚开始做定位的时候，就吃过这个亏——点云没处理就往里灌，结果前端匹配卡成PPT。

体素滤波的思路其实很简单：

• 把三维空间切成一个个小立方体（体素）
• 每个小立方体里，只保留一个代表点
• 其他点全部扔掉

嗯，就是这么粗暴。但效果出奇的好。

3.2 PCL库体素滤波实现

PCL里实现体素滤波，主要用 pcl::VoxelGrid 这个类。我直接上代码，你们感受一下：

#include <pcl/filters/voxel_grid.h>

// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// 输出点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);

// 创建体素滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);

// 设置体素大小（单位：米）
sor.setLeafSize(0.1f, 0.1f, 0.1f);

// 执行滤波
sor.filter(*cloud_filtered);

std::cout << "原始点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;

代码就这么几行。但真正关键的，是那个 setLeafSize 的参数怎么设。

3.3 参数调优技巧

体素大小这个参数，调起来其实有门道。我踩过不少坑，给你们总结一下：

场景	推荐体素大小	说明
室内SLAM	0.05m - 0.1m	室内环境结构细节多，体素不能太大
室外SLAM	0.1m - 0.3m	室外空旷，点云稀疏，体素可以大一些
快速建图	0.2m - 0.5m	追求速度，牺牲精度
高精度定位	0.02m - 0.05m	需要保留更多细节

为什么会这样？

室内环境，墙壁、柱子、家具这些结构，体素太大就把细节全抹掉了。我做过一个项目，在走廊里跑SLAM，体素设了0.3米，结果走廊墙壁直接变成了一坨点云，匹配根本对不上。

室外环境就不一样了。空旷的地方，点本来就少，体素设小一点反而没什么影响。

3.4 在激光SLAM中的典型应用

体素滤波在SLAM里，主要有三个用途：

3.4.1 前端匹配前的预处理

这是最常见的用法。不管是ICP还是NDT，点云数量越少，匹配越快。我一般会在匹配前做一次体素滤波，把点数控制在几千到一万左右。

举个例子：

// 前端匹配前的预处理
pcl::VoxelGrid<pcl::PointXYZ> pre_filter;
pre_filter.setLeafSize(0.1f, 0.1f, 0.1f);

// 对当前帧滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr current_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pre_filter.setInputCloud(current_scan);
pre_filter.filter(*current_filtered);

// 对地图滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr map_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pre_filter.setInputCloud(map_cloud);
pre_filter.filter(*map_filtered);

// 然后做ICP匹配
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(current_filtered);
icp.setInputTarget(map_filtered);
// ...

3.4.2 地图构建时的降采样

建图的时候，如果不做降采样，地图会越来越大。跑个半小时，地图就几个G了。

我习惯在建图过程中，每插入一帧点云，就对全局地图做一次体素滤波。这样地图大小能控制在合理范围内。

3.4.3 回环检测前的点云压缩

回环检测通常需要把当前帧和历史帧做匹配。如果不压缩，每帧几万个点，匹配一次要好几秒。

我一般会在回环检测前，把体素大小设到0.2米左右。这样点数能降到几百个，匹配速度飞快。

// 回环检测前的压缩
pcl::VoxelGrid<pcl::PointXYZ> loop_filter;
loop_filter.setLeafSize(0.2f, 0.2f, 0.2f);

pcl::PointCloud<pcl::PointXYZ>::Ptr loop_cloud(new pcl::PointCloud<pcl::PointXYZ>);
loop_filter.setInputCloud(current_scan);
loop_filter.filter(*loop_cloud);

// 用压缩后的点云做回环检测
// ...

3.5 知识体系总览

下面这张图，是我自己总结的体素滤波在SLAM中的完整流程：

3.6 避坑指南

最后，分享几个我实战中踩过的坑：

• 体素大小不要用固定值：不同场景、不同距离，体素大小应该动态调整。我一般会根据点云密度自动计算。
• 注意体素中心点的选择：PCL默认用体素内所有点的重心作为代表点。但如果你需要保留原始点的精确位置，可以用 setFilterFieldName 指定保留哪个点。
• 体素滤波不是万能的：如果点云本身就很稀疏，体素滤波反而会丢失信息。这时候可以考虑用随机采样。

好了，体素滤波的实战就讲到这里。记住一句话：参数调得好，SLAM跑得稳。参数调不好，定位到处飘。