第四章：点云预处理基础
各位同学，今天我们来聊聊点云预处理。说实话，很多做无人机避障的朋友，一上来就急着跑算法，结果发现效果一塌糊涂。我当年也犯过这个错——第一次把激光雷达装到无人机上，点云数据直接喂给避障算法，结果无人机差点撞墙。后来才明白，原始点云就像一块没经过雕琢的璞玉，必须先打磨才能用。
4.1 为什么要做点云预处理？
你想想看，激光雷达扫出来的点云，里面有多少噪声？地面反射、空中漂浮物、传感器本身的误差……这些乱七八糟的点，如果不处理，避障算法根本没法正常工作。
我个人习惯把点云预处理分成三个步骤：
- 滤波：去掉不关心的区域，降低数据量
- 降采样：让点云更均匀，减少计算负担
- 去噪：剔除那些明显不合理的离群点
说白了，预处理的目的就两个：减少数据量和提高数据质量。无人机上的计算资源有限，你不可能把几十万个点全拿去算一遍，对吧？
核心观点：点云预处理不是可选项，而是必选项。不做预处理的避障系统，就像闭着眼睛开车——迟早要出事。
4.2 直通滤波：先切一刀
直通滤波，名字听着挺唬人，其实原理特别简单——就是按坐标轴切一刀。比如无人机飞行高度是10米，那10米以上的点云你关心吗？不关心。10米以下的点云，才是避障需要的数据。
我在项目中遇到过这样的情况：有一次在室内测试，激光雷达把天花板上的灯都扫进去了，结果避障算法以为上面有障碍物，死活不敢上升。后来加了直通滤波，把高度限制在3米以内，问题就解决了。
直通滤波的用法：
// C++ 示例：直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z"); // 对Z轴进行滤波
pass.setFilterLimits(0.0, 3.0); // 保留0到3米范围内的点
// pass.setFilterLimitsNegative(true); // 如果设为true，则保留范围外的点
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_filtered);小技巧：直通滤波可以同时对多个轴操作。我习惯先对Z轴滤波去掉地面和天空，再对X/Y轴滤波去掉无人机两侧不关心的区域。这样数据量能减少一半以上。
4.3 体素滤波：让点云更"均匀"
直通滤波之后，点云还是太密。你想想看，激光雷达扫到近处的墙，可能每平方厘米就有几十个点；扫到远处的树，可能几平方米才一个点。这种不均匀的数据，直接拿去算避障，结果肯定不准。
体素滤波的核心思想：把空间切成一个个小立方体（体素），每个立方体里只保留一个点。这个点可以是立方体里所有点的重心，也可以是离重心最近的点。
说白了，就是用"代表点"代替"群体点"。体素越大，降采样越狠，但精度损失也越大。
| 体素大小 | 效果 | 适用场景 |
|---|---|---|
| 0.01m (1cm) | 几乎不降采样 | 高精度建图 |
| 0.05m (5cm) | 适度降采样 | 室内避障 |
| 0.10m (10cm) | 大幅降采样 | 室外快速避障 |
| 0.20m (20cm) | 严重降采样 | 远距离粗略感知 |
// C++ 示例：体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_filtered);
voxel.setLeafSize(0.05f, 0.05f, 0.05f); // 5cm体素
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_voxel(new pcl::PointCloud<pcl::PointXYZ>);
voxel.filter(*cloud_voxel);注意：体素大小不是越小越好。我见过有人把体素设成0.01m，结果点云还是几十万个点，无人机飞控根本跑不动。对于大多数避障场景，0.05m到0.10m是比较合理的范围。
4.4 统计滤波：揪出"捣乱分子"
直通滤波和体素滤波都做完了，点云看起来干净了不少。但还有一些"捣乱分子"——离群点。这些点可能是激光打到玻璃上产生的反射噪声，也可能是飞鸟或者树叶偶尔飘过。
StatisticalOutlierRemoval（统计滤波）的原理很简单：计算每个点周围K个邻居的平均距离，如果这个距离明显大于平均值，就认为它是离群点。
嗯，这里要注意：统计滤波有两个关键参数：
- K（邻居数量）：一般取50-100，点云越密，K可以越大
- stddev_mult（标准差倍数）：一般取1.0-2.0，值越小，剔除越狠
我曾经在户外测试时，发现点云里总有一些"飘浮"的点，离主体很远。一开始以为是传感器坏了，后来用统计滤波一看，这些点的邻居距离是正常点的5倍以上。把stddev_mult设为1.5，这些噪声点就被清掉了。
// C++ 示例：统计滤波去除离群点
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_voxel);
sor.setMeanK(50); // 每个点考虑50个邻居
sor.setStddevMulThresh(1.5); // 标准差倍数阈值
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_clean(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_clean);经验之谈：统计滤波的参数需要根据实际场景调整。室内环境噪声少，stddev_mult可以设大一点（1.5-2.0）；室外环境复杂，设小一点（1.0-1.5）。我一般先在Rviz里可视化看看效果，再微调参数。
4.5 三步走：完整的预处理流程
在实际项目中，我通常把这三个滤波串起来用：
- 直通滤波：先切出感兴趣的区域，去掉90%的无用数据
- 体素滤波：降采样到可接受的点数（一般1-5万个点）
- 统计滤波：最后清理一下残留的噪声点
你可能会问：顺序能不能换？我试过先体素再直通，效果差不多，但计算量会大一些。因为体素滤波要对所有点做计算，如果先直通把数据量减下来，体素滤波就跑得更快。
完整的代码示例：
// 完整的预处理流程
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_raw(new pcl::PointCloud<pcl::PointXYZ>);
// ... 加载原始点云 ...
// 第一步：直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud_raw);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.0, 3.0);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_pass(new pcl::PointCloud<pcl::PointXYZ>);
pass.filter(*cloud_pass);
// 第二步：体素滤波
pcl::VoxelGrid<pcl::PointXYZ> voxel;
voxel.setInputCloud(cloud_pass);
voxel.setLeafSize(0.05f, 0.05f, 0.05f);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_voxel(new pcl::PointCloud<pcl::PointXYZ>);
voxel.filter(*cloud_voxel);
// 第三步：统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_voxel);
sor.setMeanK(50);
sor.setStddevMulThresh(1.5);
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_clean(new pcl::PointCloud<pcl::PointXYZ>);
sor.filter(*cloud_clean);
// 现在 cloud_clean 就是预处理后的干净点云
std::cout << "原始点数: " << cloud_raw->size() << std::endl;
std::cout << "处理后点数: " << cloud_clean->size() << std::endl;调试建议：在ROS里，我习惯把每一步的结果都发布成话题，在Rviz里实时观察。比如 /cloud_raw、/cloud_pass、/cloud_voxel、/cloud_clean。这样哪个步骤出了问题，一眼就能看出来。
4.6 避坑指南
最后分享几个我踩过的坑：
- 参数调优要因地制宜：同一个参数，室内和室外效果可能天差地别。我建议做一套参数自动适配的逻辑，根据点云密度动态调整体素大小和统计滤波参数。
- 注意坐标系：直通滤波是在传感器坐标系下操作的。如果无人机倾斜了，Z轴滤波可能会切掉不该切的部分。这时候可以先做一次坐标变换，或者用条件滤波代替。
- 不要过度滤波：我曾经为了追求"干净"的点云，把体素设得很大，结果远处的障碍物直接被滤没了。避障算法以为前方一片坦途，差点撞上。
- 性能监控：在嵌入式平台上，每一步滤波都要计时。如果体素滤波花了50ms，那整个系统就卡住了。我一般要求预处理总耗时不超过20ms。
好了，点云预处理的基础就讲到这里。记住一句话：预处理做得好，避障算法跑得稳。下一节我们会把这些预处理后的点云，真正用到避障算法里去。