3. 环境感知基础：障碍物检测与分割、点云处理基础、栅格地图构建
各位同学，欢迎来到《动态避障控制核心技巧》的第三讲。今天咱们聊点实在的——机器人怎么“看”世界。
你想想看，一个机器人要避开障碍物，第一步是什么？不是算路径，不是调PID，而是得先知道周围有什么。说白了，就是环境感知。我做了这么多年机器人控制，见过太多算法写得漂亮、但传感器数据一塌糊涂的项目。嗯，这里要强调一下：感知是决策的基石，地基没打好，楼盖得再高也得塌。
3.1 障碍物检测与分割：让机器人学会“认东西”
障碍物检测，听起来高大上，其实核心就两件事：“这玩意儿是不是障碍物？” 和 “它到底在哪儿？”
我个人习惯把障碍物分成两类：
- 静态障碍物：墙、柱子、桌子腿。这些玩意儿不会动，建图时一次性搞定。
- 动态障碍物：人、其他机器人、滚过来的球。这些才是避障算法的真正挑战。
分割技术就是用来区分这些的。我在项目中遇到过最头疼的问题，就是激光雷达扫到一个人，结果算法把人家的一条腿当成了一根柱子，另一条腿当成另一根柱子——这要是直接避障，机器人就得从人胯下钻过去，多尴尬。
为什么会这样？因为激光雷达的点云是稀疏的，人的两条腿之间有空隙，如果聚类半径设得太大，两条腿就分开了；设得太小，又容易把人和旁边的桌子腿粘在一起。嗯，这里有个经验值：对于室内场景，聚类半径通常设在 0.1m ~ 0.3m 之间。
// 伪代码：欧几里得聚类
1. 构建KD-Tree加速近邻搜索
2. 初始化一个空队列Q
3. 对于点云中每个未访问的点P：
a. 将P加入Q
b. 对于Q中的每个点Pi：
- 搜索半径r内的所有近邻点
- 将未访问的近邻点加入Q
c. 当Q处理完毕，Q中的所有点构成一个聚类
4. 过滤掉点数太少（噪声）或太多（地面）的聚类3.2 点云处理基础：从原始数据到有用信息
点云是什么？说白了就是一堆三维坐标点。激光雷达每秒能扫出几十万个点，但原始数据是不能直接用的——里面有噪声、有离群点、还有大量冗余信息。
我建议你记住三个核心操作：
- 体素滤波（Voxel Filter）：把空间划分成小立方体，每个立方体只保留一个代表点。这样能大幅降低数据量，同时保留几何结构。我一般设体素大小为 0.05m，效果不错。
- 统计滤波（Statistical Outlier Removal）：计算每个点与近邻的平均距离，如果距离过大，就判定为离群点扔掉。这招对付传感器噪声特别管用。
- 地面去除（Ground Removal）：用RANSAC算法拟合一个平面，把地面点去掉。不然机器人会把地面也当成障碍物，那就没法走了。
你想想看，处理完的点云，就像一张干净的地图。接下来，我们要把它变成机器人能理解的形式——栅格地图。
3.3 栅格地图构建（Occupancy Grid Map）
栅格地图，就是把环境划分成一个个小格子，每个格子标记为“占用”、“空闲”或“未知”。这是最经典、最实用的环境表示方法之一。
我记得刚入行时，总觉得栅格地图太简单，不如直接用点云。后来做实际项目才发现，栅格地图有两大好处：
- 计算效率高：路径规划直接在二维栅格上跑A*，比在三维点云里快得多。
- 不确定性建模：每个格子可以存一个概率值，表示被占用的可能性。传感器有噪声？没关系，用贝叶斯更新慢慢修正。
构建栅格地图的核心公式其实就一个——对数几率更新（Log-Odds Update）：
// 对数几率更新公式
L(m_i | z_{1:t}) = L(m_i | z_{1:t-1}) + L(m_i | z_t) - L(m_i)
其中：
- L(m_i) 是格子 i 的先验对数几率（通常设为0，表示50%概率）
- L(m_i | z_t) 是当前观测的逆传感器模型
- 最终概率通过 P = 1 / (1 + exp(-L)) 转换回来这个公式的好处是，你每次扫到同一个格子，都可以更新它的概率。扫到一次是障碍物，概率变成 0.7；扫到十次都是障碍物，概率就接近 0.99。反过来，如果第一次扫到是障碍物，第二次扫到是空闲，概率会慢慢回调——这就是贝叶斯滤波的魅力。
3.4 知识体系总览
为了让你更直观地理解这三块内容的关系，我画了一张流程图：
从这张图你可以看到，整个流程是串行的：原始点云进来，先做预处理，然后兵分两路——一路做障碍物检测与分割，输出障碍物列表；另一路做栅格地图构建，输出占用地图。这两条路最终都会喂给后面的路径规划模块。
好了，这一章的内容就到这里。环境感知是避障的第一步，也是最容易被忽视的一步。很多新手一上来就调路径规划算法，结果发现机器人老是撞墙——其实不是算法不行，是感知没做好。嗯，希望你能把今天讲的内容吃透，下一章我们就要开始聊路径规划了。
公众号:蓝海资料掘金营，微信deep3321