3、环境感知基础：坐标系与坐标变换、点云预处理、障碍物检测与栅格地图
各位同学好，我是老张。今天咱们聊点实在的——环境感知。说白了，就是让机器人知道「我在哪，周围有啥」。这是所有避障策略的基石。你想想看，如果连障碍物都检测不准，后面谈什么动态避障都是白搭。
我个人习惯把环境感知拆成四个模块来讲：坐标系变换、点云预处理、障碍物检测、栅格地图构建。咱们一个一个来。
3.1 坐标系与坐标变换
做机器人这么多年，我见过太多新手在坐标变换上栽跟头。其实没那么玄乎，就是几个坐标系之间的换算。
常用的坐标系就这几个：
- 世界坐标系（map）：全局固定，机器人定位用的
- 机器人坐标系（base_link）：以机器人中心为原点
- 传感器坐标系（laser_frame, camera_frame）：雷达或相机自己的坐标系
嗯，这里要注意：所有传感器数据最终都要转换到 base_link 或 map 下，不然你没法用。
核心公式（齐次变换矩阵）：
# 假设已知激光雷达相对于机器人底盘的变换 T_laser_to_base
# 激光点 p_laser = (x, y, z, 1)
# 转换到机器人坐标系：
p_base = T_laser_to_base * p_laser我在项目中遇到过最坑的事：激光雷达装歪了1度，结果建图时墙都是斜的。后来我养成了个习惯——每次装传感器都先做一次手眼标定，用 tf2 工具链验证一下。
我的小技巧：在 ROS 里用 tf2_echo 实时查看两个坐标系之间的变换，比看代码直观多了。
3.2 点云预处理：滤波与降采样
原始点云数据量太大，直接处理会卡死。我刚开始做的时候，16线激光雷达每秒30万点，CPU直接飙到100%。后来学乖了——先预处理。
3.2.1 直通滤波
说白了就是切掉没用的区域。比如机器人高度1米，那2米以上的点云直接扔掉。
# PCL 直通滤波示例
pass.setFilterFieldName("z")
pass.setFilterLimits(0.0, 1.5) # 只保留0~1.5米高度范围3.2.2 体素滤波（Voxel Grid）
这是我最常用的降采样方法。把空间切成小立方体，每个立方体只保留一个点。效果立竿见影——点云量能降到原来的十分之一。
注意：体素大小别设太大。我试过设成0.2米，结果细柱子全被滤掉了，机器人直接撞上去。一般设0.05~0.1米比较稳妥。
3.2.3 统计滤波
用来去除离群点。每个点算一下周围邻居的平均距离，离群太远的直接干掉。
我曾经在室外测试时，一阵风吹过来，树叶全被当成障碍物。加上统计滤波后，那些稀疏的噪点就没了。
3.3 障碍物检测基础
预处理完的点云，接下来要找出哪些是障碍物。常用的方法就两种：
- 基于高度：地面以上的点就是障碍物。简单粗暴，适合平地场景。
- 基于聚类：把空间上靠近的点归为一类，每一类就是一个障碍物。
我个人更推荐聚类方法，尤其是 DBSCAN 算法。它不需要预先知道有多少个障碍物，而且能处理任意形状。
DBSCAN 核心参数：
| 参数 | 含义 | 我常用的值 |
|---|---|---|
| eps | 邻域半径 | 0.3~0.5米 |
| min_points | 最少点数 | 5~10个 |
为什么选0.3米？因为一般行人的宽度在0.5米左右，设太小会把一个人拆成两半，设太大又会把两个人合并成一个。嗯，这个值需要根据传感器分辨率调一调。
3.4 栅格地图构建
最后一步，把检测到的障碍物信息映射到栅格地图上。栅格地图说白了就是一个二维数组，每个格子存一个概率值——表示这个格子被占用的可能性。
常用的更新公式是贝叶斯滤波：
# 对数几率形式
odds = p / (1 - p)
log_odds = log(odds)
# 更新
log_odds_new = log_odds_old + log_odds_measurement这样做的好处是：多次观测同一个格子，置信度会越来越高。我见过有人直接用0/1二值化，结果一次误检测就导致地图崩了。
避坑指南：我曾经在构建栅格地图时，忘了考虑机器人自身的位姿不确定性。结果地图越建越歪。后来加上了EKF（扩展卡尔曼滤波）对位姿进行平滑，地图质量明显提升。
栅格地图的分辨率也是个关键。0.05米/格适合室内精细导航，但计算量大。0.1米/格适合室外，效率高但细节少。我一般先试0.05米，如果CPU扛不住再降。
这张图把整个流程串起来了。从传感器原始数据开始，经过坐标变换、点云预处理、障碍物检测，最后生成栅格地图，供避障算法使用。每一步都有坑，但每一步也都有成熟的解决方案。
好了，环境感知基础就讲到这里。记住一句话：感知的质量决定了避障的上限。后面讲动态避障策略时，你会发现所有高级算法都依赖这里的基础。