一、体素滤波：点云下采样的基本功

体素滤波，说白了就是用一个个小立方体把点云空间切碎。每个立方体里只留一个代表点。我刚开始接触点云时，觉得这玩意儿太简单了——不就是降采样嘛。后来踩了不少坑才明白，体素大小选不对，后面SLAM建图直接崩。

嗯，咱们先看原理，再聊实战。

1.1 原理与参数

体素滤波的核心思想：把三维空间划分成固定大小的网格。每个网格内所有点，用它们的重心或中心点代替。

关键参数就两个：

• 体素大小（leaf size）：每个小立方体的边长。单位通常和点云一致（米或毫米）。
• 下采样方式：一般用重心近似（更准）或中心点近似（更快）。

我个人习惯用重心近似。为什么？因为中心点可能落在没有点的位置，而重心是真实存在的点。我在项目中遇到过，用中心点近似导致边缘出现空洞，后续配准直接失败。

1.2 下采样对精度的影响

你想想看，下采样本质上是信息丢失。体素越大，丢得越多。但丢得少不一定好——点太多，计算扛不住。

我做过一个实验：用同一组激光雷达数据，分别用0.05m、0.1m、0.2m的体素滤波，然后跑ICP配准。结果如下：

体素大小	点数（万）	配准误差（cm）	耗时（ms）
0.05m	12.8	0.3	85
0.10m	3.2	0.8	22
0.20m	0.8	2.1	6

看到了吧？体素从0.05m翻到0.1m，点数降了4倍，误差只涨了0.5cm。但再翻到0.2m，误差直接跳到2cm以上。这就是典型的边际效应——体素太大，结构特征被抹平了。

1.3 体素大小选择策略

体素大小怎么选？没有万能公式。但我总结了一套经验法则：

1. 看传感器：激光雷达点云，0.1m起步；深度相机点云，0.02m起步。
2. 看场景：室内小场景，0.02-0.05m；室外大场景，0.1-0.3m。
3. 看任务：配准需要保留细节，体素偏小；建图可以粗一点，体素偏大。
4. 看算力：嵌入式平台（如Jetson），体素至少0.1m以上，否则帧率撑不住。

我个人的调试流程：先取场景中最小物体尺寸的1/10作为初始值。比如室内桌子腿直径2cm，体素就设2mm。然后逐步放大，直到精度满足要求为止。

1.4 实战代码与性能对比

下面是我常用的PCL体素滤波代码。注意，这里有个坑——很多人忘了设置滤波器对象，导致结果不对。

#include <pcl/filters/voxel_grid.h>

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

// 创建滤波器
pcl::VoxelGrid<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setLeafSize(0.1f, 0.1f, 0.1f);  // 体素大小
sor.filter(*cloud_filtered);

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

这段代码看着简单，但实际部署时要注意三点：

• 体素大小必须三个维度一致？不一定。如果点云在Z轴分布很窄（比如地面点），可以设Z轴体素大一些，加速处理。
• 记得检查输出点云是否为空。体素太大时，可能所有点都被滤掉了。我遇到过这种bug，排查了半天。
• 多线程加速：PCL的VoxelGrid默认单线程。如果你用OpenMP，可以手动并行化，速度提升2-3倍。

性能对比上，我实测过不同体素大小在Jetson Orin上的表现：

体素大小	原始点数	滤波后点数	耗时（ms）	内存占用（MB）
0.05m	30万	8.5万	12	45
0.10m	30万	2.1万	5	18
0.20m	30万	0.5万	2	6

你看，0.05m到0.1m，耗时降了一半多，内存也省了一大截。但0.1m到0.2m，收益就没那么明显了。所以实际部署时，我一般推荐0.1m作为默认值——平衡了精度和性能。