4、环境感知与障碍物表征：点云预处理、检测与建图
各位同学，欢迎来到第四章。这一章我们聊点硬核的——无人机怎么“看”懂这个世界。
说白了，无人机飞得好不好，一半看控制算法，另一半就看它能不能准确感知周围环境。我这些年调试过的炸机案例，十有八九都是感知环节出了岔子。嗯，这一章我们就把环境感知这条链路彻底打通。
核心逻辑：原始点云 → 预处理（滤波+降采样） → 障碍物检测（聚类） → 障碍物表征（包围盒/栅格）
4.1 点云预处理：先把数据洗干净
激光雷达扫出来的原始点云，说实话，挺脏的。有噪点、有离群点、还有大量冗余数据。你想想看，一帧64线激光雷达的数据量动辄十几万个点，直接丢给聚类算法，算力根本扛不住。
我个人习惯，预处理分三步走：
4.1.1 直通滤波（PassThrough Filter）
先砍掉不关心的区域。比如无人机飞行高度在10米以内，那10米以上的点云直接扔掉。还有太远的点（超过30米）精度已经不行了，也砍掉。
// C++ 伪代码 - 直通滤波
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z");
pass.setFilterLimits(0.0, 10.0); // 保留高度0~10米
pass.filter(*cloud_filtered);我的经验：直通滤波的参数别设太死。我在项目中遇到过，无人机稍微倾斜一下，原本在范围内的点就飞出去了。建议留10%~20%的余量。
4.1.2 体素降采样（VoxelGrid Downsampling）
这是降采样最常用的方法。把空间划分成小立方体（体素），每个体素内只保留一个重心点。说白了就是用分辨率换效率。
| 体素大小 | 点云数量（原始10万点） | 处理耗时 | 适用场景 |
|---|---|---|---|
| 0.05m | ~8万 | 慢 | 近距离精细避障 |
| 0.10m | ~3万 | 中等 | 通用避障 |
| 0.20m | ~1万 | 快 | 远距离粗略感知 |
我一般用0.1m的体素。再小的话，嵌入式平台跑不动。再大的话，细小的障碍物（比如电线）就丢了。
4.1.3 统计滤波（Statistical Outlier Removal）
这个用来干掉离群噪点。原理很简单：计算每个点周围K个邻居的平均距离，如果距离分布偏离均值太远，就判定为噪点。
// 统计滤波
pcl::StatisticalOutlierRemoval<pcl::PointXYZ> sor;
sor.setInputCloud(cloud_filtered);
sor.setMeanK(50); // 邻居数量
sor.setStddevMulThresh(1.0); // 标准差倍数
sor.filter(*cloud_clean);注意：标准差倍数设得太小（比如0.5），会把正常的边缘点也干掉。我曾经吃过这个亏，导致无人机把一棵大树误判成可通行区域，差点撞上去。建议从1.0开始调。
4.2 障碍物检测与聚类：把点云变成物体
预处理完了，接下来要回答一个问题：哪些点属于同一个障碍物？
这里我重点讲DBSCAN，因为它不需要预先知道有多少个障碍物，而且能处理任意形状的簇。这在野外飞行时特别实用——你永远不知道前面是一棵树还是一根电线杆。
4.2.1 DBSCAN 核心参数
- Eps（邻域半径）：多大范围内算邻居。我一般设0.3~0.5米，视激光雷达分辨率而定。
- MinPts（最小点数）：一个簇至少要有多少个点。设太小会把噪点也当成障碍物，设太大又会漏掉小障碍物。
// DBSCAN 聚类伪代码
pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
ec.setClusterTolerance(0.3); // 相当于Eps
ec.setMinClusterSize(50); // MinPts
ec.setMaxClusterSize(100000);
ec.setInputCloud(cloud_clean);
ec.extract(cluster_indices);避坑指南：我曾经在树林里测试，DBSCAN把相邻的两棵树聚成了一个簇。原因是Eps设得太大。后来我改成自适应Eps——根据点云距离动态调整，效果好了很多。
4.2.2 其他聚类方法
除了DBSCAN，还有欧式聚类和区域生长。欧式聚类说白了就是DBSCAN的简化版，只考虑欧氏距离。区域生长则适合平面提取，比如地面和墙面。
4.3 障碍物包围盒拟合：给障碍物画框框
聚类完成后，每个障碍物都是一堆散点。但路径规划算法需要的是规则的几何形状。所以我们要给每个障碍物拟合一个包围盒。
4.3.1 AABB（轴对齐包围盒）
最简单，就是找点云在X、Y、Z方向上的最大值和最小值。计算快，但包裹不紧，尤其对于斜着的物体。
// AABB 计算
pcl::PointXYZ min_pt, max_pt;
pcl::getMinMax3D(*cluster_cloud, min_pt, max_pt);4.3.2 OBB（有向包围盒）
OBB会跟着物体的方向旋转，包裹更紧。但计算量也大一些，要用主成分分析（PCA）求主轴方向。
我个人习惯：对于快速移动的无人机，用AABB就够了。如果是精细操作（比如穿过狭窄缝隙），必须用OBB。
小技巧：OBB算出来之后，记得把包围盒膨胀一圈（比如扩大10%）。这是给控制留安全余量。我见过太多人算得刚刚好，结果无人机一抖就蹭上了。
4.4 占据栅格地图构建：把世界变成格子
最后一步，把障碍物信息映射到栅格地图上。每个格子有三种状态：占据、空闲、未知。
为什么不用直接的点云？因为栅格地图天然适合路径规划——A*、Dijkstra这些算法都是在栅格上跑的。
4.4.1 栅格地图更新逻辑
- 激光束穿过的格子 → 标记为空闲
- 激光束终点（障碍物表面） → 标记为占据
- 没有激光束经过的格子 → 保持未知
// 栅格地图更新伪代码
for each laser_scan:
for each point in laser_scan:
// 射线穿过的格子
cells = bresenham(origin, point)
for cell in cells:
grid[cell].log_odds -= free_factor
// 终点格子
grid[point].log_odds += occupied_factor重要：栅格分辨率的选择很关键。0.1米的分辨率适合室内，0.2~0.5米适合室外。分辨率越高，地图越精细，但内存和计算量也越大。一块100m×100m的区域，0.1米分辨率就是100万个格子，每个格子还要存概率值——内存一下子就上去了。
4.4.2 八叉树地图（OctoMap）
如果觉得栅格地图太占内存，可以用八叉树。它只对存在障碍物的区域进行细分，空白区域用大格子表示。说白了就是自适应分辨率。
我在一个机载计算资源有限的飞控上，就是用OctoMap替代了传统栅格地图，内存占用从200MB降到了15MB。嗯，这个差距还是很明显的。
好了，这一章的内容就到这里。环境感知是无人机避障的「眼睛」，预处理、聚类、包围盒、栅格地图，每一步都有坑，但也都有对应的解法。希望各位在实际项目中，能把这些方法用起来，少走我当年走过的弯路。