4. 点云地图构建：点云数据预处理、配准与地图生成

各位同学，今天我们来聊聊点云地图构建这个硬核话题。说实话，我在高精度地图这个领域摸爬滚打了快十年，踩过的坑比走过的路还多。点云地图构建，说白了就是把激光雷达扫出来的那些散乱的点，变成一张能用的、结构化的地图。

我个人习惯把点云地图构建拆成三步走：预处理 → 配准 → 生成。每一步都有它的脾气，咱们一个一个来啃。

4.1 点云数据预处理：先把脏活累活干完

你想想看，激光雷达扫出来的原始点云，那叫一个乱。有噪声、有离群点、还有大量冗余数据。直接拿来做配准？那结果肯定一塌糊涂。所以预处理是第一步，也是最重要的一步。

4.1.1 滤波：把脏东西筛出去

滤波的目的很简单——去掉那些不该存在的点。我常用的滤波方法有这么几种：

• 直通滤波：按坐标轴范围切一刀。比如我只关心前方50米内的点，那就把距离超过50米的全部干掉。简单粗暴，但很有效。
• 体素滤波：把空间划分成小立方体，每个立方体里只保留一个重心点。这其实也是降采样的一种方式，后面会细说。
• 统计滤波：计算每个点周围邻居的平均距离，如果某个点离邻居太远，就认为是离群点，直接剔除。

4.1.2 降采样：别让数据撑爆你的内存

高精度激光雷达一秒钟能扫出几十万个点。你想想看，如果连续扫一个小时，那数据量得有多大？所以降采样是必须的。

降采样的核心思想是：在保留几何特征的前提下，尽量减少点的数量。常用的方法有：

• 体素降采样：设置一个体素大小（比如0.1米），每个体素内只保留一个点。体素越大，点越少，但细节也越少。
• 随机降采样：随机扔掉一部分点。简单，但可能会丢掉关键特征。
• 均匀降采样：按空间分布均匀地取点，比随机采样更靠谱。

4.2 点云配准：把碎片拼成完整地图

预处理完了，接下来就是配准。配准的目的，是把不同时刻、不同位置扫到的点云拼到一起，形成一张完整的地图。这就像拼图，但拼的不是图片，而是三维点云。

配准方法有很多，但工业界用得最多的就两个：ICP 和 NDT。

4.2.1 ICP（迭代最近点）

ICP 是最经典的配准算法。它的原理很简单：对于源点云中的每个点，在目标点云中找到最近的点，然后计算一个变换矩阵，让这些点对的距离最小。然后迭代，直到收敛。

代码实现大概长这样：

// PCL 中的 ICP 配准示例
pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
icp.setInputSource(source_cloud);
icp.setInputTarget(target_cloud);
icp.setMaxCorrespondenceDistance(0.1);  // 最大对应距离
icp.setMaximumIterations(50);           // 最大迭代次数
icp.setTransformationEpsilon(1e-8);     // 变换收敛阈值

pcl::PointCloud<pcl::PointXYZ> final_cloud;
icp.align(final_cloud);

if (icp.hasConverged()) {
    Eigen::Matrix4f transformation = icp.getFinalTransformation();
    std::cout << "配准成功，变换矩阵：\n" << transformation << std::endl;
} else {
    std::cerr << "配准失败！" << std::endl;
}

4.2.2 NDT（正态分布变换）

NDT 是另一种常用的配准方法。它不直接匹配点对，而是先把点云划分成网格，每个网格内计算点的正态分布（均值和协方差）。然后通过优化，让源点云在目标点云的分布中概率最大。

NDT 的好处是：速度快，对初始位置不那么敏感。我个人在自动驾驶项目中，经常用 NDT 做粗配准，再用 ICP 做精配准，效果很好。

// PCL 中的 NDT 配准示例
pcl::NormalDistributionsTransform<pcl::PointXYZ, pcl::PointXYZ> ndt;
ndt.setInputSource(source_cloud);
ndt.setInputTarget(target_cloud);
ndt.setResolution(1.0);          // 网格分辨率
ndt.setStepSize(0.1);            // 优化步长
ndt.setMaximumIterations(35);    // 最大迭代次数

pcl::PointCloud<pcl::PointXYZ> final_cloud;
ndt.align(final_cloud);

4.3 点云地图生成：从配准到成图

配准做完之后，我们有了很多帧对齐好的点云。但这时候还不是地图，只是一堆散点。要生成真正的地图，还需要做几件事：

1. 全局优化：把所有配准好的帧放到一起，做一次全局的图优化，消除累积误差。
2. 点云融合：把重叠区域的多余点去掉，保留最清晰的那个。
3. 地图输出：把最终的点云保存成标准格式（比如 PCD、LAS、PLY）。

嗯，这里要注意一点：累积误差。你想想看，每一帧配准都有微小误差，几百帧累积下来，误差可能大到离谱。所以全局优化是必须的。

知识体系总览

下面这张图，是我自己画的点云地图构建的完整流程。你可以把它当作一个路线图，每一步该做什么，心里有个数。

好了，点云地图构建的核心内容就这些。预处理、配准、生成，每一步都有它的门道。我个人觉得，配准这一步是最容易出问题的，尤其是当你面对大场景、长距离的时候。多试几种参数组合，多看看配准结果的可视化，慢慢就能找到感觉。

---