一、点云滤波概述
1.1 什么是点云滤波
点云滤波，说白了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，里面啥都有——有真实的物体点，也有噪声点、离群点、甚至飞点。我刚开始做SLAM那会儿，就吃过这个亏。有一次在停车场跑数据，结果地图里全是飘在半空中的「幽灵点」，后来才发现是雨滴反射造成的。
点云滤波的核心任务，就是把这些不干净的东西去掉，保留我们真正需要的结构信息。它不是一个花哨的技术，但绝对是点云处理流水线里的第一道关卡。
1.2 为什么需要滤波
我见过不少新手，拿到点云就直接往上跑算法，结果效果一塌糊涂。为什么会这样？
原因其实很简单——原始点云有三个「硬伤」：
- 数据量大：64线激光雷达一秒钟能产生上百万个点，直接处理，CPU直接冒烟
- 噪声多：传感器本身有误差，环境反射也有干扰，尤其是玻璃、水面这些「坑爹」材质
- 分布不均：近处点密，远处点稀，直接做特征提取会出问题
我记得有一次做园区自动驾驶项目，车在玻璃幕墙大楼旁边跑，雷达扫出来的点全偏了。当时排查了半天，最后发现是滤波参数没调好，把有效点给滤掉了。嗯，这里要注意——滤波不是越狠越好，过犹不及。
1.3 滤波在SLAM/自动驾驶中的角色
滤波在SLAM和自动驾驶里，扮演的是「守门员」的角色。
在SLAM里，滤波直接影响两个关键环节：
- 前端配准：ICP、NDT这些配准算法，对噪声非常敏感。我见过有人用原始点云跑ICP，迭代了50次还不收敛，一滤波，5次就搞定了
- 后端建图：地图里如果残留了大量噪声点，后续的定位和路径规划都会出问题
在自动驾驶里，滤波更是基础中的基础：
- 障碍物检测：不滤波，聚类出来的障碍物全是假的
- 地面分割：地面点不滤干净，后续的障碍物检测就没法做
- 定位：点云地图的质量，直接取决于滤波做得好不好
1.4 常见滤波算法概览
市面上常见的滤波算法，我按用途分成了三类。你想想看，这样分类是不是更清晰？
| 类别 | 算法 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 降采样 | 体素滤波 | 大规模点云压缩 | 体素大小设太大，把墙都滤没了 |
| 去噪 | 统计滤波 | 去除离群点 | 标准差阈值设太小，把有效点也删了 |
| 去噪 | 半径滤波 | 去除孤立点 | 半径和点数阈值要配合调 |
| 直通滤波 | 范围裁剪 | 提取ROI区域 | 坐标系搞反，把目标区域切掉了 |
| 条件滤波 | 多条件组合 | 复杂场景筛选 | 条件写太复杂，性能扛不住 |
这里我重点说一下体素滤波——它是我用得最多的算法。原理很简单：把空间划分成小立方体（体素），每个体素里只保留一个点（通常是重心或中心点）。
代码实现也很直接：
// PCL中的体素滤波示例
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;
voxel_filter.setInputCloud(cloud);
voxel_filter.setLeafSize(0.1f, 0.1f, 0.1f); // 体素大小10cm
voxel_filter.filter(*cloud_filtered);统计滤波和半径滤波，我一般配合使用。先统计滤波去掉明显的离群点，再用半径滤波做精细去噪。顺序不能反——我试过先半径后统计，效果差很多。
直通滤波最简单，就是按坐标轴切一刀。比如只保留前方20米内的点，或者去掉地面以下的部分。但要注意坐标系——我见过有人把Z轴方向搞反，结果把车顶以上的点全留下了，地面点全切掉了。
1.5 滤波算法的选择策略
说了这么多，到底该怎么选？我个人的经验是：
- 数据量大：先体素降采样，再考虑其他滤波
- 噪声明显：统计滤波 + 半径滤波组合拳
- 只关注特定区域：直通滤波先切一刀
- 场景复杂：条件滤波做精细筛选
记住一个原则：滤波的目的是「保留有用信息，去除无用噪声」，不是把数据变得越少越好。我见过有人为了追求速度，把点云从100万滤到1万，结果特征全丢了，得不偿失。
好了，这一章的内容就到这里。滤波是点云处理的第一步，也是最重要的一步。后面我们会深入每个算法的原理和实现细节，到时候再细聊。