3. 体素滤波（VoxelGrid）：原理、参数设置、降采样效果评估
体素滤波，说白了就是给点云数据“打格子”。
你想想看，一帧64线激光雷达的数据，动辄十几万个点。这么多点全扔给后续的感知算法，计算量太大了。我刚开始做融合的时候，就吃过这个亏——点云不降采样，CPU直接跑满，帧率掉到个位数。
体素滤波就是解决这个问题的经典方案。它的核心思想很简单：把三维空间划分成一个个小立方体（体素），每个体素内只保留一个代表点。嗯，这里要注意，保留哪个点是有讲究的。
核心原理一句话：用空间换时间，用精度换效率。
3.1 体素滤波的工作原理
体素滤波的流程其实就三步：
- 建网格：根据设定的体素大小，把点云空间切成一个个小立方体
- 算归属：每个点落到哪个体素里，算一下索引
- 取代表：每个体素内，取所有点的重心（或中心点）作为输出
我个人习惯用重心法，因为能保留更多原始点的几何信息。但如果你追求速度，直接用体素中心点也行。
// 伪代码示例：体素滤波核心逻辑
for each point in cloud:
idx_x = floor(point.x / voxel_size_x)
idx_y = floor(point.y / voxel_size_y)
idx_z = floor(point.z / voxel_size_z)
voxel_map[(idx_x, idx_y, idx_z)].push(point)
for each voxel in voxel_map:
centroid = mean(voxel.points)
filtered_cloud.push(centroid)这段代码看起来简单，但实际工程里有个坑——哈希冲突。我曾经在项目里直接用std::map存体素索引，结果数据量一大，查找效率直线下降。后来换成自定义的哈希表，速度提升了3倍。
3.2 参数设置：体素大小怎么选？
体素大小是体素滤波最重要的参数，没有之一。选大了，点云稀疏得像筛子；选小了，降采样效果不明显。
我一般按这个经验来：
| 应用场景 | 推荐体素大小 | 说明 |
|---|---|---|
| 高速道路感知 | 0.3m - 0.5m | 远处目标需要保留细节 |
| 城区低速场景 | 0.5m - 1.0m | 近处障碍物密集，适当降采样 |
| 停车场/园区 | 0.2m - 0.3m | 需要精细感知小物体 |
| 纯定位用 | 1.0m - 2.0m | 只保留结构特征即可 |
我的小技巧：如果你不确定体素大小，可以先跑一次0.5m的默认值，然后看降采样后的点云密度。目标区域（比如行人、车辆）至少要有5-10个点，否则后续的检测算法会很难受。
3.3 降采样效果评估
降采样效果好不好，不能光看点数少了多少。我一般从三个维度来评估：
- 点数压缩比：原始点数 / 降采样后点数。一般10:1到50:1都算正常
- 结构保留度：降采样后的点云还能不能看清物体的轮廓？我习惯用肉眼扫一遍，重点看边缘和拐角
- 算法性能提升：下游检测/分割算法的推理时间有没有降下来？帧率有没有提升？
我记得有一次，我把体素设成0.8m，点数从12万降到了3000，压缩比40:1。看起来很美，但下游的检测算法直接崩了——因为行人只剩2个点了，根本检测不出来。所以，评估一定要结合下游任务。
避坑指南：我曾经在雨雾天气里用过大的体素（1.0m），结果雨滴噪声被保留了下来，反而把真实目标淹没了。后来我改成0.3m，配合统计滤波先滤掉离群点，效果才好起来。
3.4 体素滤波的变体与改进
标准的体素滤波有个问题：体素边界处的点会被强行分到不同体素，导致边缘信息丢失。说白了就是“一刀切”太粗暴了。
我常用的改进方案有两个：
- 自适应体素：根据点云密度动态调整体素大小。密集区域用小体素，稀疏区域用大体素
- 体素内插值：不取重心，而是用体素内所有点的加权平均，权重可以是距离或强度
自适应体素在城区场景特别好用。近处点云密集，用0.2m的体素；远处稀疏，用0.5m。这样既能保证近处细节，又能压缩远处冗余。
3.5 本章知识体系
下面这张图帮你理清体素滤波的核心逻辑：
体素滤波看似简单，但参数调好了，效果立竿见影。我建议你在自己的数据集上多试几组参数，找到最适合你场景的配置。
一句话总结：体素滤波是点云降采样的基本功，体素大小选对了，后续的感知融合就成功了一半。