4、点云预处理：离群点滤除、体素滤波、直通滤波
各位同学，咱们今天聊聊点云预处理。说实话，很多做飞控的朋友拿到激光雷达数据，第一反应就是直接往上怼算法。我当年也这么干过，结果嘛……嗯，炸机了。后来才明白，原始点云就像一块刚从矿里挖出来的石头，杂质太多，不经过打磨根本没法用。
预处理做得好，后面的定位、建图、避障才能稳。今天我就把三个最常用的滤波手段掰开揉碎了讲给你听。
4.1 离群点滤除：把“野点”揪出来
什么叫离群点？说白了就是那些明显不合理的点。比如你扫描一面墙，结果墙外面突然飘着一个孤零零的点——这大概率是传感器噪声或者多路径反射造成的。
我在项目中遇到过最典型的情况：无人机在树林里飞行，树叶晃动导致雷达打到半空中的水滴或者昆虫，这些点如果不去掉，飞控会以为前方有障碍物，然后莫名其妙地急刹车。
常用的方法叫统计滤波。思路很简单：
- 对每个点，计算它到周围K个邻居的平均距离
- 如果这个平均距离超出了全局均值的某个标准差范围，就干掉它
代码实现也不复杂，我贴一段我常用的PCL代码：
// 统计离群点滤除
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud);
sor.setMeanK(50); // 邻居点数
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_filtered);4.2 体素滤波：给点云“减肥”
你想想看，一个16线激光雷达每秒能产生30万个点，32线、64线就更夸张了。这么多点直接扔给飞控，算力根本扛不住。体素滤波就是用来降采样的。
它的原理特别直观：把空间划分成一个个小立方体（体素），每个立方体里只保留一个点（通常是重心点）。体素越大，点云越稀疏，计算量越小，但细节损失也越大。
我习惯用0.1m的体素尺寸做预处理，既能保留环境轮廓，又能把点云量压缩到原来的十分之一左右。代码长这样：
// 体素滤波降采样
pcl::VoxelGrid<pcl::PointXYZ> vg;
vg.setInputCloud(cloud_filtered);
vg.setLeafSize(0.1f, 0.1f, 0.1f); // 体素边长0.1米
vg.filter(*cloud_downsampled);4.3 直通滤波：只保留感兴趣的区域
这个最简单，也最实用。直通滤波就是沿着某个坐标轴切一刀，只保留范围内的点。
比如无人机在2米高度飞行，你根本不需要关心地面以下1米的点，也不需要关心头顶10米以上的点。把范围限定在高度1~3米，既能减少计算量，又能排除地面反射和天空噪声的干扰。
我一般在飞控里同时做X、Y、Z三个方向的直通滤波：
// 直通滤波 - 只保留前方10米，左右5米，高度1~3米
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_downsampled);
pass.setFilterFieldName("z");
pass.setFilterLimits(1.0, 3.0); // 高度范围
pass.filter(*cloud_z);
pass.setInputCloud(cloud_z);
pass.setFilterFieldName("x");
pass.setFilterLimits(0.0, 10.0); // 前方范围
pass.filter(*cloud_x);
pass.setInputCloud(cloud_x);
pass.setFilterFieldName("y");
pass.setFilterLimits(-5.0, 5.0); // 左右范围
pass.filter(*cloud_final);核心逻辑总结：
离群点滤除 → 体素滤波 → 直通滤波，这个顺序我建议不要乱。先去掉噪声，再降采样，最后切出感兴趣区域。每一步都在为下一步减轻负担。
4.4 三种滤波的对比
| 滤波方法 | 主要作用 | 关键参数 | 计算开销 |
|---|---|---|---|
| 统计离群点滤除 | 去除噪声点、飞点 | MeanK, StddevMulThresh | 中 |
| 体素滤波 | 降采样、减少数据量 | LeafSize | 低 |
| 直通滤波 | 限定空间范围 | FilterLimits | 极低 |
你看，这三种滤波各有各的用处。离群点滤除是“清垃圾”，体素滤波是“压缩文件”，直通滤波是“划重点”。三者配合好了，你的点云数据才能又快又准地喂给飞控。
好了，点云预处理这块我就讲这么多。记住一句话：预处理做得好，飞控稳得像老狗；预处理偷懒，炸机就在下一秒。你自己琢磨琢磨是不是这个理儿。