3、传感器数据预处理：激光雷达点云滤波、坐标变换、时间同步、数据增强
好，咱们进入正题。传感器数据预处理，说白了就是给原始数据「洗个澡」。你想想看，激光雷达直接吐出来的点云，那叫一个乱——有噪声、有离群点、坐标还不统一。我刚开始做自动驾驶感知那会儿，就吃过这个亏。有一次直接把原始点云丢进网络，结果模型训练出来跟瞎了一样。后来才明白，预处理做不好，后面全是白搭。
3.1 点云滤波——把脏东西筛掉
激光雷达点云里，最常见的噪声就是「飘在空中的孤点」。这些点可能是多路径反射造成的，也可能是传感器本身的测量误差。我的习惯是，上来先做两步滤波。
第一步：直通滤波（PassThrough Filter）
说白了就是切一刀。根据场景需求，把点云限制在某个空间范围内。比如我们只关心车前50米、左右20米、高度-2到4米的范围。超出这个范围的，直接扔掉。这样既能减少计算量，又能排除远处的无效点。
// 伪代码示例
PassThrough filter;
filter.setInputCloud(cloud);
filter.setFilterFieldName("z"); // 高度方向
filter.setFilterLimits(-2.0, 4.0);
filter.filter(*filtered_cloud);第二步：统计滤波（StatisticalOutlierRemoval）
这个我特别喜欢用。它的原理很简单：计算每个点周围K个邻居的平均距离。如果某个点离邻居太远，那它大概率是个离群点。我在项目中遇到过，雨天的时候激光雷达会打出很多「雨滴点」，用统计滤波一筛，效果立竿见影。
核心参数：
- K近邻数：一般取50-100，点云密度高就取大点
- 标准差倍数：通常设为1.0-2.0，越大越宽松
我的小技巧： 如果你发现滤波后点云太稀疏，别急着调参数。先看看是不是场景本身就有稀疏区域（比如远处）。我一般会分区域设置不同的滤波参数，近处严格，远处宽松。
3.2 坐标变换——让所有传感器说同一种语言
自动驾驶车上通常有多个传感器：激光雷达、摄像头、毫米波雷达、IMU...每个传感器都有自己的坐标系。你想想看，如果不做坐标变换，激光雷达说「前方5米」，摄像头说「图像第300列」，这俩怎么对齐？
常见的坐标系：
| 坐标系 | 原点位置 | 用途 |
|---|---|---|
| 激光雷达坐标系 | 激光雷达中心 | 点云原始数据 |
| 相机坐标系 | 相机光心 | 图像投影 |
| 车辆坐标系 | 后轴中心 | 统一基准 |
| 世界坐标系 | 地图原点 | 全局定位 |
坐标变换的核心就四个字：刚体变换。说白了就是旋转加平移。每个传感器安装时，我们都会标定出一个外参矩阵（4x4的齐次变换矩阵）。
// 点云从激光雷达坐标系变换到车辆坐标系
Eigen::Matrix4f lidar_to_vehicle;
// 这个矩阵来自标定文件
pcl::transformPointCloud(*lidar_cloud, *vehicle_cloud, lidar_to_vehicle);我曾经踩过的坑： 坐标变换的顺序不能搞反！先旋转后平移，这是铁律。有一次我写代码时把顺序弄反了，结果点云全部飞到天上去了。排查了整整一天才发现是这个问题。嗯，从那以后我每次写变换都会在注释里标清楚顺序。
3.3 时间同步——别让数据「穿越」
这个问题其实挺头疼的。激光雷达一般是10Hz，相机可能是20Hz或30Hz，IMU能到100Hz以上。每个传感器都有自己的时间戳，而且不同传感器的时钟可能还有漂移。
常用的同步策略：
- 硬同步：通过GPS的PPS信号或者IEEE 1588协议，让所有传感器共享同一个时钟。这是最理想的方式，但硬件成本高。
- 软同步：以激光雷达的时间戳为基准，找到最近的相机帧。我一般用「最近邻插值」——找时间差最小的那一帧。
- 插值同步：对于IMU这种高频数据，可以用线性插值来推算某个时刻的数值。
我的经验： 在实际工程中，硬同步和软同步要结合着用。硬同步保证大方向不偏，软同步做精细对齐。我见过有些团队只做软同步，结果车辆高速行驶时，点云和图像能差出半米多。这要是做融合，后果可想而知。
3.4 数据增强——让模型见多识广
Occupancy Network的训练，最怕的就是数据不够多样。你想想看，如果训练集里全是晴天白天的数据，模型到了雨天晚上肯定抓瞎。数据增强就是人为制造「困难场景」。
点云数据增强的常用方法：
- 随机旋转：绕Z轴旋转±30度，模拟车辆转弯时的视角变化
- 随机缩放：整体缩放0.9-1.1倍，模拟不同距离的感知误差
- 随机丢弃：随机丢弃5%-20%的点，模拟遮挡或传感器故障
- 高斯噪声：给每个点加一点随机偏移，模拟测量噪声
- 混合增强：把两帧点云混合在一起，模拟动态场景
// 数据增强示例：随机旋转+丢弃
void augmentPointCloud(pcl::PointCloud<pcl::PointXYZ>& cloud) {
// 随机旋转
float angle = (rand() % 60 - 30) * M_PI / 180.0;
Eigen::Affine3f transform = Eigen::Affine3f::Identity();
transform.rotate(Eigen::AngleAxisf(angle, Eigen::Vector3f::UnitZ()));
pcl::transformPointCloud(cloud, cloud, transform);
// 随机丢弃
float drop_ratio = 0.1 + (rand() % 10) * 0.01; // 10%-20%
// 实际实现时用随机采样
}我的建议： 数据增强不是越多越好。我见过有人把点云旋转了90度，结果车顶的激光雷达视角完全变了，模型反而学坏了。增强要符合物理规律——比如旋转角度别太大，噪声幅度别太离谱。说白了，你得让增强后的数据看起来「还像真的」。
嗯，预处理这块就这些。你可能会觉得这些步骤有点繁琐，但相信我，把这一步做好，后面的模型训练会省心很多。我每次做新项目，花在预处理上的时间至少占30%。磨刀不误砍柴工嘛。