1. 点云滤波概述：高精地图与点云的关系、点云噪声来源分析、滤波在SLAM中的核心作用
1.1 高精地图与点云——一对离不开的搭档
做高精地图这些年，我越来越觉得点云就是地图的“骨架”。你想想看，高精地图要告诉自动驾驶车“路有多宽、车道线在哪、路沿有多高”，这些信息从哪来？说白了，就是靠激光雷达打出去的那一束束激光，反射回来形成的点云数据。
点云和高精地图的关系，我习惯用一个比喻：点云是原材料，高精地图是成品。原材料里什么都有——路面、车辆、行人、树叶、飞虫、甚至雨滴。我们要做的，就是把有用的信息提取出来，把没用的扔掉。这个过程，就是滤波。
核心观点：没有滤波，就没有干净的点云；没有干净的点云，就没有可靠的高精地图。滤波是连接原始传感器数据与高精地图产品的“第一道关口”。
我在早期做地图项目时，曾经跳过滤波直接做特征提取。结果呢？地图里全是飘着的“鬼影点”，车道线提取得一塌糊涂。嗯，从那以后我再也不敢小看滤波这一步了。
1.2 点云噪声从哪来？——我遇到的几种典型情况
点云噪声，说白了就是“不该出现的点”。它们是怎么混进来的？我总结了几类常见来源：
| 噪声类型 | 来源 | 典型表现 |
|---|---|---|
| 传感器内部噪声 | 激光器热噪声、探测器暗电流 | 随机出现的孤立点，强度值异常 |
| 环境干扰 | 雨、雪、雾、扬尘 | 点云中出现大量低强度、无规律的悬浮点 |
| 多路径反射 | 玻璃、镜面、水面等光滑表面 | 点云位置与实际物体位置偏差较大 |
| 运动畸变 | 车辆行驶中扫描，点云帧内存在运动 | 静止物体在点云中呈现拉伸或扭曲 |
| 边缘效应 | 物体边缘处激光束部分照射 | 物体边缘出现“毛刺”或“拖尾” |
我记得有一次在雨天采集数据，点云里全是密密麻麻的雨滴反射点。当时我用的一个简单的统计滤波，结果把路面点也滤掉了一大片。后来我学乖了——不同场景要用不同的滤波策略，没有万能药。
1.3 滤波在SLAM中的核心作用——不只是“去噪”那么简单
很多人觉得滤波就是去掉噪声点，其实远不止如此。在SLAM（同步定位与地图构建）中，滤波扮演着三个关键角色：
- 提升配准精度——噪声点会干扰ICP（迭代最近点）等配准算法的收敛，导致位姿估计偏差。我做过对比实验：同样的数据，滤波前后配准误差能差3-5倍。
- 减少计算量——原始点云动辄几十万甚至上百万点，直接处理效率极低。滤波可以保留关键信息的同时，把数据量压缩到十分之一甚至更少。
- 改善地图一致性——多帧点云拼接时，噪声点会造成地图“模糊”或“重影”。滤波能保证最终地图的清晰度和几何精度。
我的经验：在SLAM前端做滤波，重点在于“保留边缘和结构”；在后端做滤波，重点在于“去除离群点和冗余点”。前后端滤波的目标不同，方法也要区别对待。
1.4 点云滤波的知识体系——一张图看懂
下面这张图是我梳理的点云滤波技术整体框架。做课程之前，我建议你先把这个框架印在脑子里：
注意：这张图只是框架，具体每种方法的原理、参数设置、适用场景，我们会在后续章节逐一展开。别急着跳，打好基础比什么都重要。
1.5 一个简单的滤波示例——用代码说话
说了这么多理论，不如看一段实际代码。下面是用PCL（点云库）做统计滤波的例子，我在项目中经常用它来去除离群点：
// C++ 示例：PCL统计滤波
#include <pcl/filters/statistical_outlier_removal.h>
// 输入点云
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
// ... 加载点云数据 ...
// 创建滤波对象
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 每个点的邻居数量
sor.setStddevMulThresh(1.0); // 标准差倍数阈值
// 执行滤波
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_filtered);
std::cout << "滤波前点数: " << cloud->size() << std::endl;
std::cout << "滤波后点数: " << cloud_filtered->size() << std::endl;参数调优建议：setMeanK的值我一般取30-80之间，点云密度大就取大一点。setStddevMulThresh取1.0-2.0，值越小滤掉的点越多。我曾经在一个高密度点云场景里把阈值设到0.5，结果把路面点都滤掉了——教训啊。
1.6 本章小结——记住这三句话
好了，第一章的内容就到这里。我不喜欢啰嗦，总结三句核心：
- 点云是构建高精地图的“第一手资料”，滤波是保证资料质量的关键步骤。
- 噪声来源多样，没有一种滤波方法能解决所有问题，要“对症下药”。
- 滤波在SLAM中不只是去噪，它还直接影响配准精度、计算效率和地图质量。
下一章，我们会深入讲解体素滤波——这是我最常用的下采样方法，没有之一。到时候我会分享一些参数调优的“土办法”，都是实战中总结出来的。