2. 体素滤波（Voxel Grid Filter）：原理详解、PCL实现、参数调优

体素滤波，说白了就是给点云数据“降采样”。

你想想看，激光雷达扫一圈下来，动辄几十万甚至上百万个点。这么多点直接拿去建图，计算量太大了，而且很多点其实是冗余的。体素滤波就是解决这个问题的。

2.1 原理详解：把点云装进小盒子

体素滤波的核心思想很简单：用一个个小立方体（体素）去覆盖整个点云空间。每个体素里可能包含多个点，我们只保留一个代表点，其他的都扔掉。

具体怎么做呢？

1. 划分网格：根据你设定的体素大小，把三维空间切成一个个小格子。
2. 分配点云：每个点根据它的坐标，找到属于哪个格子。
3. 计算重心：对每个非空格子，计算里面所有点的重心（x, y, z的平均值）。
4. 保留代表：用这个重心点代替格子里的所有原始点。

嗯，这里要注意：体素大小决定了滤波的强度。体素越大，保留的点越少，地图越粗糙。体素越小，保留的点越多，地图越精细，但计算量也越大。

我个人习惯把体素滤波看作“点云的像素化”。就像把一张高清图片压缩成马赛克，体素大小就是马赛克块的尺寸。

2.2 PCL实现：三行代码搞定

在PCL里，体素滤波的实现非常简洁。我直接上代码：

#include <pcl/filters/voxel_grid.h>

// 创建滤波器对象
pcl::VoxelGrid<pcl::PointXYZ> voxel_filter;

// 设置输入点云
voxel_filter.setInputCloud(input_cloud);

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

// 执行滤波
voxel_filter.filter(*output_cloud);

你看，核心就三行。但这里有个坑——setLeafSize的三个参数必须一致。我见过有人设成(0.1, 0.2, 0.1)，结果点云被拉伸了，地图直接变形。

2.3 参数调优：体素大小对地图精度的影响

体素大小怎么选？这取决于你的应用场景。我整理了一个经验表：

体素大小	适用场景	点云数量	地图精度	计算速度
0.01m (1cm)	高精度室内建模	极高	★★★★★	极慢
0.05m (5cm)	室内SLAM建图	高	★★★★	较慢
0.10m (10cm)	一般机器人导航	中等	★★★	快
0.20m (20cm)	室外大场景	低	★★	极快
0.50m (50cm)	快速预览	极低	★	瞬间

为什么会这样？说白了就是体素大小决定了信息的保留程度。

体素越小，每个格子里的点越少，保留的细节越多。但代价是计算量大，内存占用高。体素越大，信息丢失越严重，但处理速度快得多。

我记得有一次做地下车库的建图，一开始用了0.05m的体素，结果跑了半小时还没跑完。后来改成0.15m，五分钟搞定，地图质量也没差多少。你想想看，地下车库的墙面都是大平面，根本不需要那么高的精度。

2.4 实战经验：体素滤波的坑与技巧

做体素滤波这么多年，我踩过不少坑。分享几个最典型的：

• 边界效应：体素网格的边界会导致点云出现锯齿。解决办法是稍微旋转点云再滤波，或者用随机采样代替重心采样。
• 动态物体：如果场景里有行人、车辆在动，体素滤波会把它们的点云和静态物体混在一起。我一般先做动态物体剔除，再做体素滤波。
• 地面点处理：地面点通常很密集，体素滤波后地面会变稀疏。建议先提取地面，单独设置较小的体素大小。

嗯，体素滤波就讲到这里。记住一句话：体素大小选得好，建图质量差不了。