极近距离测量优化

1. 引言

激光雷达（LiDAR, Light Detection and Ranging）是一种主动遥感技术，通过发射激光脉冲并测量反射光的回波时间来确定距离。作为一种能够直接获取环境三维（3D）信息的传感器，LiDAR 具有诸多优势，包括潜在的高精度、在不同光照条件下工作的能力以及直接生成 3D 点云数据。这些特性使得 LiDAR 技术在众多领域得到了广泛应用，例如自动驾驶车辆的环境感知与导航、机器人自主移动与操作、高精度地图绘制、工业自动化、智能基础设施监测、精准农业以及其他需要精确空间感知的领域。

尽管 LiDAR 在中远距离测量方面表现出色，但在极近距离（特别是 0-50cm 范围）扫描目标表面时，其性能常常出现下降。这种性能下降主要表现为测量精度降低、噪声增加，并伴随出现特定的伪影（artifacts），例如虚假的探测点（“虚警”）以及点云粘连或拖尾（“黏连点”）。对于需要近场高精度的应用场景，如机器人精细操作、小物体的详细三维建模、工业零件表面检测以及在狭窄空间内的安全导航等，这些问题变得至关重要，可能严重影响系统的可靠性和性能。

导致 LiDAR 在近距离产生精度下降和伪影的因素涉及复杂的物理现象。主要包括：传感器接收器因接收到过强的反射信号而饱和；激光与特殊表面（如高反射或透明材料）的复杂相互作用导致非预期的反射路径；激光光束的发散效应在近距离相对于目标特征尺寸变得显著；以及传感器固有的噪声特性等。这些因素将在第二节中详细阐述。

本文旨在系统性地探讨用于缓解 3D LiDAR 在近距离测量中精度下降和伪影问题的各种技术方法。报告将深入分析导致这些问题的物理机制，详细介绍并评估多种点云滤波策略、多传感器/多帧融合技术，并探讨一些高级概念和未来趋势。

2. 近距离 LiDAR 伪影的物理学与现象学分析

理解 LiDAR 在近距离（0-50cm）工作时产生误差和伪影的根本原因，对于开发有效的缓解策略至关重要。本节将深入探讨相关的物理现象。

2.1 传感器饱和动态学

原理： LiDAR 系统的接收端（通常包括光电二极管和跨阻放大器 TIA）具有有限的动态范围。当激光脉冲照射到距离非常近或反射率极高的目标表面时，返回的激光能量可能非常强，超出了接收器（特别是 TIA）的处理能力上限，导致饱和。

原因： 导致饱和的主要因素包括：目标表面的高反射率（例如，交通标志牌上嵌入的角反射器，抛光金属表面）以及极短的测量距离（根据雷达方程，信号强度大致与距离平方成反比，近距离回波强度急剧增加）。此外，系统内部的自反射或近距离串扰（crosstalk）也可能贡献强信号。

影响： TIA 饱和会削波接收到的信号脉冲，进而产生一系列负面影响：

• 飞行时间（ToF）测量不准： 信号峰值被削平，使得精确判断脉冲到达时间的算法（如峰值检测、恒比定时）失效，导致测距误差。
• 强度/反射率失真： 饱和使得传感器无法准确测量返回光脉冲的真实强度，导致记录的强度或反射率值不可靠。
• “开花”效应（Blooming Effect）： 在点云中，饱和点周围可能出现额外的噪声点，使得高亮目标的点云表示看起来比实际物体更大或向外扩散。
• 暂时性”失明”与恢复时间： 接收器在饱和后需要一定时间恢复到正常工作状态。在此期间，它可能无法检测到后续到达的、尤其是来自附近较暗或较远物体的微弱信号。饱和恢复时间是影响系统连续感知能力的关键参数，尤其是在动态场景中。

相关性： 传感器饱和是导致近距离、高反射目标测量不准确和产生伪影（如开花效应）的主要原因之一。

一个重要的考量是，TIA 的设计本身就存在固有的权衡。为了准确检测窄脉冲（对应高测距分辨率）并从近距离强回波饱和中快速恢复，通常需要较宽的 TIA 带宽。然而，更宽的带宽往往伴随着更高的噪声基底。同时，探测微弱信号（来自远处或低反射率目标）则要求 TIA 具有低噪声基底和高灵敏度。一个为极快速饱和恢复而优化的 TIA，其噪声基底可能较高，从而牺牲了探测远距离弱信号的能力。反之，一个极其灵敏的 TIA 可能更容易饱和，且恢复时间更长。这意味着传感器的性能包络中存在一个固有的平衡点：在近距离、高反射率场景下的卓越性能（要求宽动态范围和快速恢复）可能会限制在远距离、低反射率场景下的探测能力。因此，LiDAR 系统的设计必须根据其主要应用场景，仔细权衡这些相互制约的性能指标。

2.2 反射率诱导的伪影

镜面/透明表面： 如玻璃、镜子、抛光金属等材料会产生非朗伯反射（即非均匀漫反射）。

• 虚拟点/鬼影点（Ghost Points）： 激光脉冲首先照射到镜面/透明表面，然后被反射到环境中的其他物体上，最后再反射回传感器。传感器测量到的 ToF 是这条更长的、间接路径的总时间。由于传感器假定光线是直线传播到第一个反射面并直接返回，它会计算出一个错误的距离，将该点定位在镜面/透明表面之后，形成所谓的”虚拟点”或”鬼影点”。这种现象在近距离尤为显著，因为几何结构更容易导致直接路径和间接路径之间存在显著的长度差异。类似地，雷达也会因多径反射而产生鬼影探测。
• 信号丢失/低回报： 对于玻璃等透明材料，大部分激光能量可能会穿透，导致从玻璃表面本身返回的信号非常微弱甚至没有，但可能从玻璃后面的物体接收到较强的（可能是鬼影）回波。

高反射率目标： 即使是非镜面的高亮目标也会引发问题。

• 开花效应（Blooming）： 如前所述（饱和效应），点云中高亮目标的轮廓可能向外膨胀，超出其实际边界。
• 重影（Ghosting）： 某些传感器在探测到高反射率物体时，除了在正确位置生成点云外，还可能在点云图的其他错误位置生成形状和大小相似的”重影”点云。其具体机制未完全阐明，但可能与传感器内部反射、信号处理算法被强回波触发产生的错误有关。

动态范围问题： 由于回波信号强度差异巨大，在高反射率目标附近探测低反射率目标变得困难。

反射率引起的伪影，特别是镜面反射产生的鬼影点，其位置和形态高度依赖于传感器、目标以及周围环境的具体几何布局。当传感器移动时，入射角和反射角会发生变化，从而改变了到达次级反射物体的路径，进而导致虚拟点的位置发生变化。正是这种几何上的视点依赖性，为基于多位置传感数据的滤波方法（将在第 4 节讨论）提供了原理基础，这些方法通过检查点在不同视角下的（不）一致性来识别反射噪声。

2.3 光束发散与光斑尺寸效应

原理： 激光束在传播过程中会自然地发散（扩大），这种发散程度用角度（毫弧度 mrad 或度）来衡量。光束发散度越小，激光束在传播过程中保持聚焦的能力越强。

光斑尺寸： 光束发散导致激光照射在目标表面的光斑尺寸随距离增加而增大。在非常近的距离（如 0-50cm），虽然绝对距离短，发散效应不显著，但激光光斑的尺寸相对于被测物体的精细特征而言仍然可能是重要的。

混合测量（Mixed Measurements）： 当激光光斑同时照射到具有不同深度的多个表面或特征时（例如，物体的边缘、细小结构如电线或植被、复杂的纹理表面），传感器接收到的回波脉冲实际上是来自这些不同深度反射的混合信号。传感器的测距算法（如阈值检测、重心法、恒分定时法 CFD）通常只能给出一个距离值，这个值往往是介于各实际表面距离之间的某个”平均”值，从而导致测量错误。这是产生噪声、丢失细节（尤其是在物体边缘和复杂几何形状处）的一个关键原因。

近距离影响： 尽管光束发散在短距离内本身不严重，但初始光斑直径以及光斑可能覆盖近距离目标上多个微小特征的问题依然存在。如果光斑尺寸大于被测特征的尺寸，测量精度就会受到影响。有趣的是，在某些室内或短距离测量应用中，有时反而会选择具有较大发散角的模块，目的是增加覆盖区域，通过对稍大面积进行平均来提高测量的稳定性，降低对精确反射角度的敏感性。

影响发散度的因素： 主要包括激光波长（波长越短，发散度越小，前提是束腰半径相同）、束腰半径（束腰越小，发散度越大）以及光束质量（光束质量越高，发散度越小）。

在近距离测量中，光斑尺寸和深度分辨率之间存在一种固有的制约关系。一个非常小、聚焦良好的光斑（低发散度）理论上可以分辨更精细的细节，但如果扫描线或扫描点的间距大于光斑尺寸，就可能漏掉光斑之间的特征。相反，一个较大的光斑（高发散度）虽然能确保对扫描区域的覆盖，但会导致更严重的混合测量效应，模糊掉锐利的边缘和细节。这意味着，要在近距离获得最佳性能，需要仔细权衡激光器的光束特性（发散度、初始光斑尺寸）与扫描密度（分辨率），使其与应用场景中关心的特征尺度相匹配。

2.4 动态范围与信噪比（SNR）

动态范围： 指传感器同时处理极弱信号（来自远处、低反射率目标）和极强信号（来自近处、高反射率目标）的能力。有限的动态范围是导致饱和的原因之一。

信噪比（SNR）： 信号功率与噪声功率之比。低信噪比使得从噪声背景中可靠地检测出微弱信号变得困难。噪声源包括光电接收器本身的噪声、环境背景光（如阳光直射）以及潜在的系统内部噪声。

探测阈值： LiDAR 系统使用一个探测阈值来区分有效的回波信号和噪声。低于阈值的信号被忽略。该阈值的设定是为了在可接受的虚警率（False Alarm Rate, FAR）下最大化探测概率（Probability of Detection, Pd）。

近距离影响： 在近距离，回波信号通常很强，这有利于提高信噪比。然而，不同表面（如哑光黑漆与白色物体）之间回波强度的巨大差异对传感器的动态范围提出了严峻挑战。此外，一些噪声源，如传感器自身的反射或串扰，在近距离可能更为突出。

通常，LiDAR 系统采用一个相对固定的探测阈值，该阈值旨在平衡整个测量范围内的虚警率（FAR）和探测概率（Pd）。在远距离处，这个阈值决定了传感器的灵敏度极限。然而，在近距离处，信号强度普遍很高，远超这个固定阈值。此时，由饱和削波或镜面反射等物理现象产生的伪影也可能表现为强信号，同样能轻易通过这个固定阈值。一个简单的固定阈值无法区分强烈的有效回波和强烈的伪影信号。这就突显了采用动态或自适应阈值策略的必要性，这些策略可以根据预期的近距离信号强度、甚至结合脉冲形状、强度一致性等额外信息来调整阈值，从而更有效地抑制近距离伪影。

3. 近场增强的点云滤波与处理技术

针对第二节中讨论的近距离 LiDAR 伪影问题，研究人员开发了多种点云滤波和处理技术。本节将对主要的几类方法进行综述。

3.1 阈值处理策略

概念： 基于点的属性（如距离、强度、反射率等）是否高于或低于某个（些）阈值来移除点。这是最简单直接的方法，对特定类型的噪声可能有效。

静态阈值： 使用固定的阈值。由于信号强度随距离、反射率、环境条件等因素变化，静态阈值往往效果不佳。可能错误地移除有效点，或无法去除噪声。

动态/自适应阈值： 根据上下文信息（通常是距离）动态调整阈值。

• 基于距离的自适应： 阈值是距离的函数。这有助于补偿点密度和信号强度随距离衰减的影响。例如，有研究提出根据目标距离自适应调整 3D 目标检测的置信度阈值，以在近处最小化误报（false positives）并在远处最小化漏报（false negatives）。也有方法描述了一种相邻点间欧氏距离阈值随距离自适应的方法，但也指出了其在处理靠近或倾斜目标时的局限性。
• 基于强度/反射率的自适应： 对强度或反射率值应用阈值。有助于去除低强度噪声（如大气悬浮物）或高强度伪影（可能由饱和或开花效应引起）。然而，强度值本身受距离、入射角、材质等多种因素影响，使得简单的强度阈值难以设定。有研究在反射率数据上使用 Otsu 方法（一种基于直方图形状的自适应阈值方法）来检测车道线。
• 基于邻域的自适应（例如 Otsu、自适应形态学）： 阈值根据局部窗口或邻域内的统计特性确定。

具体算法示例：

• 低强度离群点移除（Low-Intensity Outlier Removal, LIOR）： 结合了强度阈值和密度检查。首先，移除强度低于预设阈值的点（假设雪花、灰尘等噪声强度较低）；然后，对这些被移除的低强度点进行密度检查（如使用半径离群点移除 ROR），以恢复那些虽然强度低但属于真实物体的点。步骤 1：强度滤波；步骤 2：对步骤 1 结果进行 ROR。局限性：可能移除有效的低反射率物体（如玻璃）；效果依赖于强度阈值的选择，而这往往很困难。
• 动态光强离群点移除（Dynamic Light-Intensity Outlier Removal, DIOR）： 结合了动态半径离群点移除（DROR）和 LIOR，可能根据距离同时调整半径和强度阈值。旨在通过 FPGA 硬件实现来提高精度和实时性。
• 动态距离-强度离群点移除（Dynamic Distance-Intensity Outlier Removal, DDIOR）： 结合了动态统计离群点移除（DSOR）和 LIOR。先进行强度预筛选，然后进行距离自适应的统计滤波。据称比简单方法有所改进。
• 自适应密度离群点组移除（Adaptive Group of Density Outlier Removal, AGDOR）： 一种自适应的基于密度的滤波器，可能是对 DROR/DSOR 的改进，也可能结合了强度信息。目标是有效处理变化的密度。

优点： 计算效率高，对特定类型的噪声（如 LIOR 对雪/尘）有效。自适应方法比静态阈值更具鲁棒性。

缺点： 参数调整困难，有移除有效数据的风险（特别是静态阈值或参数选择不当的自适应方法），可能难以处理复杂的噪声分布或与有效信号特征相似的伪影（如密集的反射噪声）。简单的距离阈值难以区分靠近的物体。

从简单的静态阈值到考虑距离、强度、邻域信息的自适应方法，再到结合多种属性的复合方法（LIOR、DIOR、DDIOR、AGDOR），阈值处理技术的发展历程反映了研究人员试图应对 LiDAR 回波复杂依赖性（距离、反射率、几何形状等）的努力，以便在不丢失细节的情况下有效滤除噪声。然而，即使是基于简单启发式规则（如强度或局部密度）的自适应方法，对于那些特征与有效点相似的伪影（例如，密集的反射噪声可以表现出高密度和变化的强度，LIOR 可能移除玻璃等低反射率目标）也可能束手无策。特别是近距离伪影，如饱和引起的开花效应，可能表现为密集且高亮度的点云，对这些滤波器构成了挑战。这表明，单纯依赖强度或局部密度的阈值方法对于处理所有类型的伪影是不够的，需要几何或多视角方法的补充。

3.2 统计与密度基滤波

概念： 基于点与其邻域的统计特性（如到邻近点的距离、局部密度）来识别离群点。基本假设是噪声点比有效数据点更稀疏。

统计离群点移除（Statistical Outlier Removal, SOR）： 对每个点，计算其到 K 个最近邻点的平均距离。如果某点的平均距离超过全局平均距离加上标准差的一个倍数，则将其移除。方法简单且常用。局限性：可能移除有效的稀疏特征，对聚类噪声无效。

半径离群点移除（Radius Outlier Removal, ROR）： 移除在指定半径内邻居数量少于 K 个的点。对孤立噪声有效。局限性：计算量大，性能随半径增大而下降，可能过度滤波。

动态 SOR/ROR（DSOR/DROR）： 根据点到传感器的距离，自适应地调整统计阈值（DSOR）或搜索半径（DROR）。这考虑了点密度随距离自然下降的现象。相比 SOR/ROR，在处理密度变化的点云时性能更好。据称精度可达 90% 以上。

高速离群点移除（High-Speed Outlier Removal, HSOR）： 利用 LiDAR 扫描的顺序性。将一个点与其在扫描序列中紧邻的前后点进行比较，使用基于距离和角分辨率的动态阈值，避免了全局邻域搜索（如构建 k-d 树）。相比 DSOR/DROR，速度显著提升（在雪天数据上，比 DSOR 快 92 倍），且精度相当。局限性：由于只利用了 2D 序列信息，在区分远处狭窄垂直物体（如杆子）和噪声方面可能效果不佳。

基于聚类的方法（例如 DBSCAN、HDBSCAN）： 根据密度将点分组。不属于任何簇的点被视为噪声。DBSCAN 需要调整 Eps 和 MinPts 参数；HDBSCAN 更具自适应性。比 SOR/ROR 更能处理部分聚类噪声，但计算成本较高。有研究使用了自适应 DBSCAN。

优点： 能有效移除稀疏离群点。动态版本能适应变化的密度。HSOR 提供了显著的速度优势，适用于实时应用。聚类方法能处理部分聚类噪声。

缺点： 基本假设是噪声稀疏，难以处理密集或聚类的噪声。需要调整参数（K、半径、阈值）。SOR/ROR 可能移除有效的稀疏特征。计算成本可能较高（HSOR 除外）。如果阈值基于全局直方图，可能无法移除靠近地面的离群点。在恶劣天气下，噪声密度高，效果可能打折扣。

传统统计与密度基滤波器的核心局限在于它们的基本假设——噪声比信号稀疏。然而，多种近距离伪影恰恰违反了这一假设。例如，镜面反射产生的虚拟点云可能非常密集；饱和点周围的开花效应也会产生密集的噪声点；在非常近的距离，大气颗粒物（如雪花）也可能形成密度较高的噪声。在这些情况下，噪声点并非稀疏离群点，因此很可能被这些滤波器误判为有效点。因此，虽然这些滤波器对一般的稀疏噪声有用，但它们本身不足以处理常见的近距离伪影，必须辅以其他滤波手段。

3.3 几何滤波方法

概念： 利用点的几何属性（如表面法线、平面度、曲率）或空间结构（如体素）来滤波噪声或平滑数据，同时试图保留潜在的几何形状。

双边滤波（Bilateral Filter）：

• 原理： 从图像处理领域借鉴而来。对一个点进行去噪时，不仅考虑邻近点的空间距离（wd），还考虑它们在某个特征空间上的相似性——对于点云，通常是沿着该点法线方向的距离（wn）。
• 机制： 点沿着其估计的法线方向移动，移动量是邻近点在其法线上投影的有符号距离的加权平均值。那些远离切平面（例如，位于边的另一侧）的邻近点会获得较低的权重（wn），从而避免了跨越锐利特征的平滑，保护了边缘。在平坦区域，邻近点通常靠近切平面，wn 权重较高，滤波器有效地对这些邻近点的位置进行加权平均（按空间距离加权），达到去噪效果。
• 实现： 需要定义邻域（如半径搜索）和估计法线（如对邻域点进行 PCA）。需要调整参数 σd（空间距离方差）和 σn（法线距离方差）。
• 变种： 可学习双边滤波（Learnable Bilateral Filter, LBF）使用神经网络为每个点学习自适应的参数（σd、σn），根据其局部几何特征（如角点、边缘、平面）进行调整，避免了手动调参，并改善了对不同特征和噪声水平的处理。LBF 还利用了多尺度邻域信息和几何感知的损失函数。
• 优点： 在平滑噪声的同时能有效保留锐利边缘和几何细节。LBF 提供了自适应性并避免了手动调参。
• 缺点： 需要估计法线，而法线估计本身可能受噪声影响。传统 BF 的参数调整繁琐。对于极高噪声水平或特定类型的、法线距离度量无法处理的伪影可能效果不佳。计算涉及邻域搜索。

体素网格滤波（Voxel Grid Filter）：

• 原理： 将 3D 空间划分为规则的立方体网格（体素）。
• 机制： 通过用一个代表点（通常是体素内所有点的质心）来近似体素内的所有点，从而对点云进行下采样。也可用于为基于体素的处理（如 NDT 配准、深度学习）或创建占据栅格图提供结构化数据。
• 在去噪/结构化中的应用： 主要是一种下采样方法，通过平均在一定程度上降低噪声，但可能丢失细节。常用作其他算法的预处理步骤。体素分辨率是关键参数，需要在细节保留与计算成本/平滑程度之间权衡。
• 优点： 实现简单，是进行下采样和通过平均降低部分噪声的一种计算高效的方法。能将数据均匀化。
• 缺点： 丢失细节，特别是当体素尺寸较大时。可能扭曲特征，例如质心可能不位于原始表面上。性能高度依赖于体素尺寸的选择。并非专门为去除伪影而设计。

其他几何方法：

• 平面拟合（例如 RANSAC）： 用于识别主导平面（如地面）并移除不符合模型的点。有研究使用 M 估计器样本一致性（MSAC）对反射目标进行鲁棒平面拟合。
• 表面重建/平滑（例如移动最小二乘法 MLS、泊松重建）： 通过拟合一个光滑表面到点云来隐式的去噪。计算量可能较大。
• Alpha Shapes： 用于提取边界以校正开花效应。
• 法线/曲率分析： 与邻域相比具有不一致法线或高曲率的点可能被标记为噪声或边缘。有研究使用平面法线角度和 PCA 方差作为分类特征。

几何滤波器（如双边滤波器）相比统计/密度滤波器具有显著优势，因为它们融入了局部表面几何信息（通过法线）。这使得它们能够更好地保留对于精确表示至关重要的锐利特征，尤其是在细节信息丰富的近距离场景中。然而，这些方法的性能在很大程度上依赖于局部几何估计的准确性，而几何估计本身就可能被噪声或伪影所破坏。双边滤波器明确使用了到切平面的距离，使其能够区分空间上接近但在几何上分离（跨越边缘）的点和空间及几何上都接近（在平滑表面上）的点。这种几何感知能力是其边缘保持优于仅依赖空间距离或密度的方法的原因。但是，滤波器需要在每个点 p 处估计法向量 np。如果用于法线估计的邻域被噪声或伪影（如边缘附近的混合测量、鬼影点）严重污染，估计出的法线就会不准确，导致权重（wn）计算错误，滤波效果可能不佳（要么平滑不足，要么过度模糊特征）。这揭示了一个潜在的负反馈循环：噪声降低了几何估计的准确性，而准确的几何估计又是有效几何滤波的前提。

表 1：近距离伪影滤波技术对比

技术类别	具体方法	核心原理	主要处理的伪影	优点	缺点	近距离适用性说明
阈值处理	自适应阈值（距离/强度）	基于距离/强度/邻域调整阈值	特定强度/距离范围的噪声	简单、快速（部分）、自适应性	参数调整、可能移除有效数据、对复杂伪影效果有限	对抗信号强度变化有帮助，但对密集反射/饱和效果有限
阈值处理	LIOR	低强度筛选 + ROR 密度检查	稀疏低强度噪声（雪、尘）	简单、快速	需调参、可能移除低反射率物体（如玻璃）	部分适用；可能误分类密集伪影或有效近距离物体
统计/密度基	DSOR/DROR	距离自适应的统计量/搜索半径	稀疏离群点、变化密度下的噪声	适应密度变化	假设噪声稀疏、难处理密集伪影、计算量中等	对密集反射/开花效应效果有限
统计/密度基	HSOR	序列邻近点比较，动态阈值	稀疏离群点	极快、无需全局搜索	可能丢失远处细长垂直特征	速度优势显著，但对密集伪影的鲁棒性不如几何方法
几何滤波	双边滤波（Bilateral）	空间距离 + 法线距离加权	一般噪声、平滑表面	保留锐利边缘	需法线估计、参数调整（BF）、计算量中等	若法线可靠则利于保留细节；对特定伪影（饱和、鬼影）效果需验证
几何滤波	体素网格滤波（Voxel）	空间离散化与质心近似	（副作用）部分噪声通过平均降低	简单、快速下采样	丢失细节、依赖体素大小、非专门去噪	主要用于下采样或结构化，对精细近距离特征保留不利
多位置比较	-	不同视点下噪声的不一致性	反射产生的虚拟点/密集噪声	对反射噪声有效	需要多位置数据、配准精度要求高	非常适用于由镜面反射主导的近距离伪影

4. 多传感器与多帧融合技术

除了单帧点云滤波，利用时间序列信息或融合其他传感器数据是提高 LiDAR 性能、克服近距离挑战的另一重要途径。

4.1 时序整合：多帧累积与运动恢复结构（SfM）

概念： 结合来自不同时间、稍微不同视角的多次 LiDAR 扫描信息，可以增加点云密度、改善覆盖范围，并通过平均或一致性检查来降低噪声。

简单累积： 基于估计的传感器运动（里程计）来合并点云。可以增加密度，但如果运动估计不准或原始点云有噪声，会直接累积误差和伪影。动态物体还可能在地图中留下”鬼影”轨迹。

运动恢复结构（Structure from Motion, SfM）： SfM 是传统上基于视觉的技术，它从重叠的图像序列中重建相机姿态和三维场景结构。过程通常包括特征匹配、运动估计和光束平差（Bundle Adjustment，同时优化姿态和三维点位置）。

LiDAR 增强的 SfM： 利用 LiDAR 数据来改进传统的 SfM，尤其是在视觉信息模糊或稀疏（例如近距离、窄视场图像）的情况下。

• 改进运动估计： LiDAR 提供精确的距离信息，可以约束帧间相对姿态估计，减少漂移，特别是在长轨迹或视觉重叠不足时。LiDAR 还能提供真实尺度，这是单目 SfM 无法做到的。
• 鲁棒的匹配验证： LiDAR 点云可用于检查视觉特征匹配的几何一致性，剔除由视觉歧义（如重复纹理）引起的错误匹配。一种方法是比较 LiDAR 点云生成的占据栅格图。
• 联合优化： 将 LiDAR 点（或 LiDAR 扫描间的对应关系）和视觉特征（重投影误差）整合到一个统一的光束平差或图优化框架中，共同优化姿态和三维结构。LiDAR 点与视觉特征之间的联合观测（joint observations）有助于约束传感器之间的外参。

优点： 增加点云密度和覆盖范围。如果能找到良好的对应关系，SfM/光束平差可以优化姿态并降低噪声。LiDAR 增强了 SfM 的鲁棒性和尺度准确性。

缺点： 需要精确的帧间运动估计/配准。简单累积会传播误差。SfM 计算量大。对动态物体敏感（需要显式处理）。性能依赖于足够的重叠和特征（尽管 LiDAR 有助于缓解此问题）。近距离 SfM 可能因重叠减少而受影响。

虽然多帧累积能增加密度，但仅仅基于里程计合并扫描对于高精度的近距离建图来说是不够的，因为误差会累积，伪影也会被传播。相比之下，采用联合优化的 LiDAR 增强 SfM 或 SLAM 方法更具潜力。这些方法利用 LiDAR 提供的几何约束来精化姿态，并可能通过检查跨视角的一致性来识别噪声点。例如，那些位置随视点变化的鬼影点在优化过程中可能会产生较大的残差，从而允许被识别并降低权重或移除。这种全局优化和一致性检查是超越简单累积、提升精度和抑制伪影的关键。

4.2 运动补偿：LiDAR-IMU 融合

概念： 惯性测量单元（IMU）能以高频率测量线性加速度和角速度。将 IMU 数据与较低频率的 LiDAR 扫描融合，可以校正单次 LiDAR 扫描内部由于传感器运动引起的畸变（扫描内运动），并提供扫描之间的高频姿态更新。

问题： 在 LiDAR 完成一次扫描所需的时间内（例如，对于 10Hz 旋转的传感器是 100ms），传感器本身可能发生平移或旋转。这导致在扫描过程中不同时刻采集的点被记录在稍微不同的坐标系中，从而在生成的点云中引入运动模糊或畸变（skew），对于快速移动的平台或高分辨率扫描尤其明显。

解决方案： 利用高频的 IMU 测量（姿态和/或速度）来估计在扫描采集期间传感器的姿态变化。然后，可以将每个 LiDAR 点（或点组）变换回一个共同的参考时间点（如扫描开始或结束时），从而有效地”矫正”点云畸变。

融合方法：

• 松耦合： IMU 主要提供姿态信息用于扫描变换，但里程计主要依赖 LiDAR。
• 紧耦合： 将 IMU 预积分因子直接纳入优化框架（如因子图 SLAM）中，与 LiDAR 扫描匹配约束一起优化。能提供更准确、更鲁棒的状态估计。

优点： 消除运动畸变，使得建图和配准更加准确，尤其是在动态运动中。提供 LiDAR 扫描之间的高频姿态估计。在 LiDAR 失效或处于特征稀疏环境时，IMU 有助于填补空白。有助于消除 2D LiDAR SLAM 中的平面外运动伪影。可以用 LiDAR 的位置更新来校正基于 IMU 追踪的位置漂移。

缺点： 需要 LiDAR 和 IMU 之间精确的时间同步。LiDAR 和 IMU 之间的精确外参标定至关重要。IMU 存在漂移（尤其是低成本 IMU），需要与其他传感器（LiDAR、视觉、GNSS）融合进行校正。

与近距离的相关性： 虽然主要解决运动引起的畸变，但精确的运动补偿确保了近距离特征在点云中得到正确表示，防止了因传感器在扫描期间移动而产生的伪影。这对于近距离物体的精确配准和建模至关重要。许多现代传感器内置了 IMU，简化了融合过程。

LiDAR-IMU 融合不仅对动态平台至关重要，对于慢速移动甚至静态扫描，要达到最高精度也同样必要，特别是对于高分辨率 LiDAR。在一次扫描期间（可能持续数十到数百毫秒），即使是微小的振动（例如来自机器人手臂电机或地面传导的振动）或轻微的姿态变化，都可能被 IMU 捕捉到。这些微小运动虽然绝对量不大，但相对于近距离应用所需的毫米级或亚毫米级精度而言，仍然可能导致扫描开始和结束时采集的点之间产生不可忽略的错位。高频采样的 IMU 能够捕捉这些细微运动，通过融合补偿，可以获得几何上更一致的点云，这对于精确的近距离测量和配准至关重要。

4.3 互补感知：LiDAR-相机融合

概念： 结合 LiDAR 的几何精度与相机的丰富纹理、颜色和语义信息。

优点：

• 密集、带纹理的模型： 将 LiDAR 点投影到图像上，创建彩色点云或纹理化网格模型。
• 改进的目标检测/分类： 通过将 LiDAR 数据投影到图像空间（如生成距离图像、反射率图像），或利用相机图像为 LiDAR 点提供语义上下文，可以利用成熟的基于 2D 图像的深度学习算法。具备被动近红外（NIR）成像能力的传感器，其环境图像可以像相机图像一样使用。
• 增强鲁棒性： 在几何特征稀疏的环境中（LiDAR 可能遇到困难），相机数据可以提供帮助；反之，在光照差或无纹理的环境中（相机可能遇到困难），LiDAR 可以提供帮助。融合提供了冗余性。
• 改进标定/定位： 利用来自两种传感器的特征进行更鲁棒的外参标定或 SLAM。视觉特征可以辅助 LiDAR 配准和闭环检测。

方法：

• 数据关联： 使用外参将 LiDAR 点投影到图像平面。
• 特征级融合： 从两种模态中提取特征并进行融合。
• 深度学习融合： 设计专门的网络来处理和融合来自两种传感器的原始或处理后的数据。

挑战： 需要精确的外参标定和时间同步。由于分辨率和视点不同（视差），数据关联可能很困难。融合算法的复杂性。

与近距离的相关性： 相机数据可以为近距离物体提供高分辨率的纹理和颜色信息，补充 LiDAR 的几何信息。这有助于区分不同的表面，改善近距离物体的分割，并可能有助于识别/移除某些伪影（例如，如果一个鬼影点投影到了图像中一个不太可能的位置）。具备同光路环境成像能力的传感器提供了空间上关联的 2D 数据，无需额外的相机。

LiDAR 的几何精度和相机的纹理/语义丰富性之间的协同作用在近距离尤其有价值。当 LiDAR 在近处可能难以处理无纹理表面或模糊几何形状时，相机可以提供消歧信息。反过来，LiDAR 的直接距离测量避免了近距离（亚米级）使用相机（立体视觉或基于焦点/散焦的深度估计）进行深度估计时可能出现的尺度模糊和潜在的不准确性（这些方法对标定敏感、易受遮挡影响且需要纹理）。这种互补性使得融合对于创建近距离物体的详细、准确模型非常有益。

4.4 集成系统：视觉-惯性-LiDAR（VIL）融合

概念： 将视觉、惯性和 LiDAR 三种模态紧密耦合，通常在室外应用中还会结合 GNSS。目标是在挑战性环境中（个别传感器可能失效或性能下降）实现最高的鲁棒性和精度。

方法： 通常涉及基于因子图的优化或基于滤波的方法，这些方法利用来自所有传感器的约束共同优化系统状态（姿态、速度、偏差等）。

处理传感器退化： 先进的 VIL 系统包含检测和处理传感器性能下降或故障的机制。这可能包括：

• 健康监测： 评估每个传感器数据的质量/可靠性。
• 自适应加权/置信度因子： 根据估计的可靠性（例如，特征匹配质量、光照水平、几何结构质量）动态调整优化中每个传感器测量的影响权重。使用诸如渐进非凸性（Graduated Non-Convexity, GNC）之类的技术来鲁棒地剔除异常值。
• 故障切换： 如果一个传感器失效，则依赖剩余的传感器。

优点： 在各种条件下（光照差、无纹理区域、动态运动、GNSS 拒止环境）具有高精度和高鲁棒性。协同利用所有传感器的优势。

缺点： 系统复杂性高，计算成本大，需要精确的多传感器标定和同步。

与近距离的相关性： 在复杂的近距离场景中（例如，地下空间测绘，杂乱的室内环境），VIL 融合提供了在个别传感器性能下降（如相机光线不足、LiDAR 几何稀疏、IMU 漂移）时仍能保持精确姿态估计和建图的最佳机会。鲁棒的姿态估计是精确多帧累积和伪影移除的基础。

VIL 系统中的”置信度因子”概念直接触及了近距离伪影的核心问题。通过评估 LiDAR 特征的可靠性（在近距离，这些特征可能因饱和、反射或混合测量而质量下降），并自适应地调整它们在状态估计中的权重，这些系统能够内在地减轻伪影对定位和建图精度的影响。如果近距离区域的 LiDAR 特征表现出较差的匹配一致性（可能是伪影导致的），那么这些 LiDAR 约束的置信度因子就会降低。优化框架随后会降低这些不可靠 LiDAR 测量的权重，更多地依赖于视觉和惯性数据来进行该部分的状态估计。这防止了伪影过度污染姿态估计和最终地图，实际上是在系统层面而非仅仅在信号处理层面对其影响进行了过滤。

5. 高级概念与未来趋势

除了上述滤波和融合技术，还有一些更高级的概念和新兴方法值得关注，它们可能为解决近距离 LiDAR 问题提供新的思路。

5.1 局部点云增强策略

概念： 专注于改善特定区域（可能是受噪声影响或采样不足的区域）点云质量（密度、平滑度、完整性）的方法。

• 邻域统计分析： 分析局部邻域以分类点或提取用于增强的特征。可以使用诸如离地高度、强度统计、平面度、基于 PCA 的维度等属性。可用于分割或目标性滤波。
• 上采样/稠密化： 生成新的点以增加稀疏点云的密度，通常使用基于学习的方法或插值技术。有助于填补空洞，但如果不谨慎，可能引入人为结构。有研究提到了基于三角化不规则网络（TIN）的稠密化。
• 基于优化/学习的去噪： 将去噪问题表述为一个优化任务，旨在找到一个与噪声输入一致且满足先验几何知识和噪声分布约束的干净点云。深度学习方法越来越多地用于去噪、补全和上采样，从大型数据集中学习先验知识。有研究提出通过在学习到的概率分布上进行梯度上升来去噪，或提出可学习的双边滤波器。
• 距离异常校正： 针对错误距离值的特定校正方法，例如，对反射表面使用平面拟合（MSAC）和射线投影。有研究提出通过将点沿激光射线移动到与局部拟合平面的交点来减少测距误差，或讨论对近距离不完全重叠和散焦效应的经验校正。

与近距离的相关性： 这些方法可以在初步滤波或融合后，对受近距离伪影影响的局部点云进行精细化处理，可能恢复细节或校正特定类型的误差，如距离异常。

许多局部增强技术，特别是基于学习的技术，依赖于训练数据。这些方法对于特定近距离伪影（饱和、反射）的有效性在很大程度上取决于训练数据是否充分代表了这些现象。将在通用数据集上训练的模型直接应用于独特的近场畸变可能无法获得最佳结果。这意味着需要专门的训练数据集或领域自适应技术，来训练针对近距离应用的增强模型。

5.2 滚动累积/置信度建图

“从远及近滚动规划累积置信度”： 这可能指一种策略：随着传感器接近目标，信息随时间累积，并建立对测量或地图表示的置信度。这可能与以下概念相关：

• 概率建图： 维护一个地图表示（如占据栅格图、NDT 地图），其中每个元素（体素、栅格）存储一个概率或置信度值。随着时间的推移（滚动累积）整合更多测量数据，对占据/空闲/表面估计的置信度会增加。这在 SLAM 中很常见。
• 贝叶斯滤波/追踪： 随着新测量的到来，递归地更新状态估计（如物体位置、地图特征）。一致的测量会提高估计的置信度（降低协方差）。
• 时序滤波/平均： 随着传感器移动，对静态物体的多次测量进行平均可以降低噪声并提高精度。测量的次数越多，置信度越高。
• 扫描-地图优化（Scan-to-Map Refinement）： 在 SLAM 中，当前扫描会与之前扫描构建的地图进行配准。随着地图的增长和通过闭环检测或优化等方式进行精化，地图的置信度会增加，从而改善后续的定位效果。

与近距离的相关性： 当传感器从远距离移动到近距离时，目标上的分辨率会增加，同时可能出现不同类型的伪影。滚动累积方法可以根据距离或估计的置信度对测量进行不同权重的处理，例如，降低不太可靠的远距离数据的权重，赋予更高分辨率（但也可能更容易产生伪影）的近距离数据更大的重要性，或许还可以结合伪影检测机制。

“滚动累积置信度”的概念暗示了一种随时间或距离动态调整权重或进行滤波的策略。在近距离伪影的背景下，这意味着需要明确地建模 LiDAR 测量可靠性随距离减小而发生的变化。例如，测量在中等距离可能非常可靠，但在非常近的距离由于饱和或反射而变得不太可靠，系统需要相应地调整置信度。这与 VIL 系统中的置信度因子概念有相似之处，但更侧重于时间/距离维度的应用。

5.3 深度学习的新兴作用

应用： 深度学习越来越多地应用于点云去噪、补全、上采样、语义分割、目标检测和标定等任务。

优势： 能够从数据中学习复杂的模式和先验知识，其性能可能优于基于手工特征或简单统计模型的传统方法。

挑战： 需要大量的标注训练数据（获取 3D 点云标注成本高昂），模型泛化到新的环境、传感器或伪影类型可能很困难，实时部署的计算成本。弱监督学习是减少标注负担的一个研究方向。

未来趋势： 端到端系统、更好的泛化能力、与基于物理的模型相结合、无监督和自监督学习。

5.4 基于时空一致性的伪影滤波

概念： 这种方法的核心思想是利用伪影点（如近距离粘连点、反射鬼影点、天气噪声等）通常具有与真实物体点不同的时空行为特征。真实物体点在传感器移动过程中，其观测位置应遵循几何投影规律，并且在短时间内保持相对稳定或遵循可预测的运动模式。而伪影点则可能：

• 仅在特定条件下出现： 例如，粘连点或饱和引起的 blooming 效应主要在极近距离出现；镜面反射产生的鬼影点的位置高度依赖于传感器、目标和环境的相对几何关系，随视角变化而剧烈变化。
• 具有独特的”指纹”： 天气噪声（雨、雪、雾）可能表现为悬浮、低密度、低强度且具有一定速度特征的点；反射噪声可能表现为异常密集的点簇。

方法思路：

1. 多帧数据关联/追踪： 类似于 SfM 或 SLAM 中的数据关联，追踪点或特征在连续帧（或不同视角）中的对应关系。
2. 一致性检查与特征分析：
   • 几何一致性： 检查追踪到的点是否符合预期的运动模型或多视角几何约束。鬼影点由于其位置随视角变化，在多帧优化中可能表现出较大的重投影误差或配准残差。
   • 出现模式分析： 识别那些仅在特定距离（如 <50cm）或特定视角下出现的点。
   • 特征分析： 结合点的其他属性（强度、反射率、局部密度、是否悬空等）来判断其是否符合已知伪影的”指纹”。例如，可以检查点是否同时满足”近距离出现”、“低密度”和”低强度”等条件。
   • 时间滤波： 对点的属性（如位置、强度）进行时间滤波，稳定的点被认为是真实的，而短暂出现或属性剧烈波动的点可能被视为噪声。
3. 置信度累积与滤波：
   • 为每个点或地图元素维护一个置信度分数。
   • 当点在不同时间/视角下被一致地观测到，并且其特征不像已知的伪影时，增加其置信度。
   • 当点表现出伪影特征（如仅在近距离出现、几何不一致、特征符合噪声指纹）时，降低其置信度或直接将其滤除。这与 VIL SLAM 中的置信度因子和”滚动累积置信度”思想相呼应。

优点： 相比仅依赖单帧信息的滤波器，这种方法能利用更丰富的时空上下文信息，有望更准确地区分真实结构和短暂或几何不一致的伪影。它能够针对性地处理那些仅在特定条件下出现的噪声。

缺点： 需要多帧数据和可靠的帧间运动估计（里程计或 SLAM）。计算复杂度相对较高，需要进行点追踪和特征分析。对动态场景的处理需要更复杂的逻辑（区分物体运动和伪影）。

与近距离的相关性： 对于近距离伪影（粘连、饱和、反射），这种方法尤其有潜力，因为这些伪影的出现往往与距离和视角强相关。通过追踪点从远到近（或反之）的过程，可以观察其行为是否符合预期，从而识别出那些仅在近距离异常出现的点。

6. 硬件层面的近距离能力：最小探测距离与近场性能

虽然软件滤波和融合是缓解近距离伪影的核心手段，但硬件本身的能力也是基础前提。理解以下几点对于近场应用至关重要：

6.1 最小探测距离（盲区）

LiDAR 传感器通常存在一个最小探测距离（Minimum Range），也称为盲区，即过于靠近传感器的物体无法被有效探测。不同型号和版本的传感器历史上具有不同的最小探测距离（例如 0.3m、0.5m、0.8m 等）。

近年来，部分新一代传感器通过固件中的信号处理改进，实现了零厘米最小探测距离（zero minimum range）的能力——即用户可以将最小探测距离配置为 0cm、30cm 或 50cm 等不同档位。将最小距离设置为 0cm，意味着传感器能够探测到紧贴其传感器窗口的物体，消除了硬件盲区。这是通过固件中信号处理的改进实现的。

需要注意的是：

• 配置建议： 当最小距离 ≤ 30cm 时，特别是当数据流配置为单回波（Single Return）时，建议将回波顺序设为最远到最近（FARTHEST_TO_NEAREST）。
• 窗口清洁： 保持传感器窗口清洁对于近距离性能很重要。
• 实际限制： 尽管具备 0cm 探测能力，实际应用仍可能受到传感器自发热、潜在的内部反射，或物理尺寸/安装方式限制其直接贴近表面的影响。受限的垂直视场角（FOV）可能导致非常近的物体被部分”切割”掉。

6.2 近场精度与硬件特性的配合

• 近场精度/准确度： 传感器的精度在非常近的距离（<1m）可能略差，然后改善，在更远距离再次下降。先进的信号处理（如皮秒级处理能力）可以改善精度，特别是在近距离和对高亮目标。但在距离墙面约 15cm 时，仍可能出现约 1cm 的平面畸变。
• 双回波（Dual Return）： 每个激光脉冲可以记录两次回波（例如最强回波和次强回波）。回波的返回顺序可配置。双回波有助于穿透部分遮挡物（如植被、雨、雾、灰尘）进行探测。在某些情况下，“最远回波”可能有助于区分真实表面和反射伪影。
• 标定反射率（Calibrated Reflectivity）： 提供经过标定的反射率估计值，相比原始信号强度，其对距离的依赖性更小。这为算法提供了在不同距离和条件下更稳定的特征，有助于滤除灰尘等遮挡物，也利于材质区分。
• 信号倍增器（Signal Multiplier）： 允许用户调整传感器灵敏度，通过牺牲探测距离来换取在恶劣天气或特定场景下的性能提升。

零厘米探测能力直接满足了极近距离探测的需求，消除了许多 LiDAR 固有的硬件盲区。然而，要真正在这些极近距离实现可靠的精度，仍然依赖于有效缓解第二节中讨论的物理伪影（饱和、反射、发散效应）。即使拥有先进的硬件，滤波和融合技术对于确保近距离测量的准确性仍然至关重要。换言之，0cm 探测能力是必要条件，但并非充分条件；鲁棒的近距离性能需要硬件能力与软件处理策略的结合。

7. 结论与建议

7.1 有效策略的综合

回顾分析，LiDAR 在近距离（0-50cm）面临的主要挑战源于传感器饱和、复杂表面反射以及光束发散效应。解决这些问题并非单一技术所能完成，而需要结合多种策略：

• 硬件基础是前提： 选用高性能 LiDAR 是重要的一步。高分辨率、可配置的最小探测距离（如零厘米盲区能力）、集成的 IMU/相机（环境图像）以及先进的信号处理功能（如双回波、标定反射率）为后续处理提供了更好的原始数据基础。
• 滤波处理不可或缺： 针对不同类型的伪影，需要选择合适的滤波方法。自适应阈值（基于距离、强度/反射率）和统计/密度基滤波器（如 DSOR/DROR/HSOR）各有侧重，但对密集或特征相似的伪影效果有限。几何滤波器（如双边滤波）在保留细节方面表现更好，但依赖于可靠的几何估计。复合方法（如 LIOR/DIOR/DDIOR）对特定噪声（如天气噪声）有针对性。对于反射噪声，多位置比较滤波被证明是有效的。
• 融合往往是关键： LiDAR-IMU 融合对于精确运动补偿至关重要，尤其是在动态或需要高精度的场景。LiDAR-相机融合则能引入宝贵的纹理和语义信息，增强鲁棒性。而紧耦合的视觉-惯性-LiDAR（VIL）系统，特别是那些包含置信度加权机制的系统，在应对传感器退化方面提供了最高的鲁棒性。
• 时序一致性是保障： 利用多帧信息，通过 SfM 或 SLAM 中的联合优化，是精化姿态、提高建图精度并识别和剔除不一致伪影（如视点相关的鬼影点）的关键手段。
• 利用时空特征： 结合点的时空行为（如出现/消失的距离/角度依赖性）和固有特征（密度、强度、速度）来识别和过滤伪影，是一种有前景的补充策略，可以增强对特定类型噪声的鲁棒性。

7.2 未来研究方向

为了进一步提升 LiDAR 在近距离应用的性能，未来研究可关注以下方向：

• 针对性伪影滤波： 开发专门针对近距离常见伪影（如饱和开花效应、镜面反射鬼影点）的实时、鲁棒滤波器，特别是结合时空特征的方法。
• 面向近场的深度学习： 构建能充分代表近距离扫描场景和特定伪影的数据集，训练更有效的深度学习模型用于去噪、增强和伪影校正。
• 不确定性建模与融合： 发展更精细的多传感器融合技术，能够显式地建模和量化近距离测量的置信度或不确定性（扩展置信度因子概念），并据此进行自适应融合。
• 自适应与自标定： 研究能够在线自适应调整传感器参数（如信号倍增器、阈值）和融合策略，以及在线自标定传感器参数，以优化特定近距离任务性能的方法。
• 极限近距性能探索： 进一步研究和量化在极近距离（如 0-10cm）使用具备零厘米盲区能力的传感器所能达到的实际精度极限和鲁棒性。
• 时空特征挖掘： 深入研究不同类型伪影的时空”指纹”，并开发高效算法利用这些特征进行检测和滤除。

8. 参考代码实现

以下是一些专注于后端应用层解决方案的开源代码库和示例，涵盖点云滤波、配准以及传感器融合（SLAM/里程计）等方面。这些库和项目通常使用 C++ 或 Python 实现。实现第 5.4 节中描述的基于时空一致性的滤波，通常需要结合以下库的功能。

请注意： 将这些库应用于解决近距离（0-50cm）的特定伪影（如饱和、反射噪声）通常需要针对性地调整参数、组合多种技术，甚至根据具体传感器特性和应用场景进行定制开发。

8.1 点云滤波 (Filtering)

• Point Cloud Library (PCL)： 一个非常全面和广泛使用的开源 C++ 库，用于 2D/3D 图像和点云处理。它包含了多种滤波算法的实现，可用于实现第 3 节中的方法，也是构建更复杂时空滤波器的基础。

  • VoxelGrid Filter： 体素网格滤波，用于下采样和平滑噪声。
    • C++ 示例：PCL 教程 https://pcl.readthedocs.io/projects/tutorials/en/latest/voxel_grid.html
    • Python 示例（python-pcl）：https://github.com/strawlab/python-pcl/blob/master/examples/official/Filtering/VoxelGrid_filter.py
  • Statistical Outlier Removal (SOR)： 统计离群点移除，基于邻域统计特性移除稀疏噪声。
    • C++ 示例：PCL 教程 https://pcl.readthedocs.io/projects/tutorials/en/latest/statistical_outlier.html
  • Radius Outlier Removal (ROR)： 半径离群点移除，基于邻域密度移除稀疏噪声。
    • C++ 示例：PCL 教程 https://pcl.readthedocs.io/projects/tutorials/en/latest/remove_outliers.html
  • Bilateral Filter： 双边滤波，保边平滑滤波器。
    • C++ 示例（PCL）：pcl::BilateralFilter 类 https://pointclouds.org/documentation/classpcl_1_1_bilateral_filter.html（注意 PCL 实现要求有序点云）
  • PassThrough Filter： 直通滤波，基于坐标值范围过滤。
    • C++ 示例：PCL 教程 https://pcl.readthedocs.io/projects/tutorials/en/latest/passthrough.html
  • PCL GitHub： https://github.com/PointCloudLibrary/pcl

• 其他滤波相关库/项目：

  • spatio_temporal_voxel_layer（C++/ROS）： Voxel Grid 的替代方案，使用 OpenVDB，加入时间衰减概念，可能适用于动态环境下的噪声处理或实现时空滤波。https://github.com/SteveMacenski/spatio_temporal_voxel_layer

8.2 点云配准 (Registration)

点云配准是将多个点云对齐到同一坐标系下的过程，是 SLAM、SfM 和多视角一致性检查的基础。

• Iterative Closest Point (ICP) 及其变种：

  • PCL： 提供了多种 ICP 变种的实现（点对点、点对面等）。
    • C++ 示例（PCL）：https://pcl.readthedocs.io/projects/tutorials/en/latest/iterative_closest_point.html
  • small_gicp（C++ Header-only，Python bindings）： 提供了 GICP、VGICP 等算法的高效并行实现。https://github.com/SMRT-AIST/small_gicp
  • point-cloud-registration（Python）： 纯 Python 实现的配准库，包含 ICP、PlaneICP、NDT 等。https://github.com/ClayFlannigan/point-cloud-registration

• Normal Distributions Transform (NDT)： 一种基于概率分布的配准方法，对噪声和初始位姿估计不太敏感。

  • PCL： 提供了 NDT 的实现。https://pointclouds.org/documentation/classpcl_1_1_normal_distributions_transform.html
  • ndt_omp（C++/ROS）： NDT 的 OpenMP 加速版本。https://github.com/koide3/ndt_omp

8.3 SLAM 与传感器融合

SLAM 系统通过融合多帧数据和多传感器信息来估计位姿和建图，其核心的优化框架和数据关联机制是实现时空一致性检查的基础。

• LiDAR-Inertial Odometry/SLAM（LiDAR + IMU）： 这些系统利用 IMU 进行运动补偿，并通过后端优化（如图优化）来确保多帧点云的一致性，有助于识别和抑制不一致的伪影。

  • LIO-SAM（C++/ROS）： 紧耦合 LiDAR-IMU 里程计与建图系统。https://github.com/TixiaoShan/LIO-SAM
  • SC-LIO-SAM（C++/ROS）： LIO-SAM 的分支，集成 Scan Context 回环检测。https://github.com/gisbi-kim/SC-LIO-SAM

• Visual-Inertial-LiDAR Odometry/SLAM（Camera + IMU + LiDAR）： 融合更多传感器类型，提供更丰富的约束和鲁棒性，其后端优化框架可以集成置信度加权机制。

  • VINS-Fusion（C++/ROS）： 优化框架，支持视觉惯性，可扩展。https://github.com/HKUST-Aerial-Robotics/VINS-Fusion
  • ORB-SLAM3（C++）： 视觉/视觉惯性 SLAM，有研究者扩展融合 LiDAR。https://github.com/UZ-SLAMLab/ORB_SLAM3

• LiDAR-Camera Fusion（用于投影或辅助 SLAM）：

  • lidar_camera_calibration（Python/ROS）： LiDAR 与相机外参标定。https://github.com/heethesh/lidar_camera_calibration
  • lidar-camera-fusion（C++/ROS）： 将 LiDAR 点云投影到相机图像。https://github.com/EPVelasco/lidar-camera-fusion

• 其他 SLAM 框架（可能包含概率建图）：

  • ROS SLAM Packages： 如 gmapping（2D）、amcl（定位）、cartographer（2D/3D Google SLAM）等。http://wiki.ros.org/slam
  • GTSAM（C++ library）： 一个流行的图优化库，被许多 SLAM 系统（如 LIO-SAM、VINS-Fusion）用作后端，可以用来实现自定义的因子图，加入基于时空一致性的约束或置信度因子。https://gtsam.org/

8.4 关于滚动规划/累积置信度/时空滤波

“滚动规划累积置信度”或基于时空一致性的滤波没有直接对应的标准库，但可以通过结合上述库的功能来实现：

• 点追踪/数据关联： 需要实现或使用现有的多目标追踪（MOT）算法库（尽管目标是追踪潜在的噪声点/簇而非物理对象）来关联连续帧中的点。
• 特征提取： 使用 PCL 等库提取每个追踪点的时变特征（距离、角度、强度、局部密度等）。
• 一致性建模与优化： 在 SLAM 的后端优化框架（如 GTSAM）中，为表现出伪影时空特征（如仅在近距离出现、几何不一致）的点或约束分配较低的权重或置信度。
• 概率地图更新： 在构建概率地图（如占据栅格图）时，根据点的时空一致性评估结果来调整更新地图单元置信度的权重。

实现这种高级滤波策略通常需要整合来自滤波、配准、SLAM 和可能的目标追踪领域的多种技术。