自动驾驶中使用 ROS 与 Python 对点云数据进行处理

🔧 点云处理总览（自动驾驶场景）

在自动驾驶中，点云处理流程常常如下：

原始点云输入（激光雷达、LiDAR）
        ↓
  1. 去噪（去掉离群点）
        ↓
  2. 下采样（减小点数，提高效率）
        ↓
  3. 地面去除（提取出障碍物）
        ↓
  4. 配准（拼接、定位、建图）

🧪 使用工具：

• ROS：作为数据流架构（消息传递）
• Python：主要处理逻辑
• Open3D / PCL：点云处理库
• RViz：可视化处理结果
• KITTI 数据集（测试数据）

---

1️⃣ 去噪（Point Cloud Denoising）详解

🎯 为什么要去噪？

自动驾驶中的 LiDAR 会因为反射、材质、远距离、遮挡造成 浮点、孤点、断层噪声。

📘 原理详解：统计滤波（Statistical Outlier Removal）

“离群点 = 离周围邻居很远的点”

步骤：

1. 对每个点，找到其 K 个最近邻点。

2. 计算它们的平均距离。

3. 统计所有点的平均距离的均值 μ 和标准差 σ。

4. 超过
   $$\mu +\alpha \cdot \sigma$$
   的点被视为噪声点。

✅ 示例代码：

import open3d as o3d

pcd = o3d.io.read_point_cloud("xxx.pcd")
pcd_denoised, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)

---

2️⃣ 下采样（Voxel Grid Downsampling）详解

🎯 为什么下采样？

• 原始点云密度过高
• 降低计算量（尤其在 SLAM 中）

📘 原理详解：

将空间划分成规则网格（如 0.2m 的立方体），每个网格中：

• 保留中心点 / 平均点
• 丢弃多余点

✅ 示例代码：

pcd_down = pcd_denoised.voxel_down_sample(voxel_size=0.2)

🧠 结果：

• 点数减少约 80%
• 保留整体形状不变

---

3️⃣ 地面去除（Ground Plane Removal）详解

🎯 为什么去除地面？

• 地面点占多数，不利于识别行人、车辆
• 可分离障碍物（如前车、行人）

📘 原理详解：RANSAC 平面模型拟合

1. 从点云中随机选 3 个点

2. 拟合成一个平面模型：
   $$ax+by$$