如何解决激光雷达点云中“鬼影”和“膨胀”问题？

[首发于智驾最前沿微信公众号]之前在聊激光雷达点云“鬼影”和“膨胀”的文章中（相关阅读：激光雷达点云中“鬼影”和“膨胀”是什么原因导致的？），很多小伙伴都提到一个问题，那就是激光雷达点云中的“鬼影”和“膨胀”可以如何解决，今天就围绕这个话题展开聊聊。

激光雷达点云中的“鬼影”和“膨胀”到底是什么

在聊今天的话题前，还是简单说下激光雷达中的“鬼影”和“膨胀”是什么。激光雷达作为广泛应用在自动驾驶、机器人和三维测绘等领域的感知硬件，其能把周围环境描述成三维点云，让机器感知到物体的距离、形状和位置。但在实际应用中，点云并不是完美无误的，它会带如“鬼影”和“膨胀”等问题。

1）鬼影

所谓“鬼影”，是指在激光雷达生成的点云数据中，出现了在现实场景中并不存在的虚假物体或点云结构。这些虚假点云可能呈现为离散的散点，也可能聚集形似真实物体的轮廓，会对感知系统造成严重干扰。

点云出现“鬼影”，图片源自：网络

举一个典型的例子，当激光束照射到路边的反光标志或光滑镜面时，部分能量可能发生多次反射或镜面反射，导致系统依据延迟的回波信号，在错误的空间位置上计算出一个“重复”或扭曲的点云簇，使感知算法误判该处存在实际并不存在的障碍物。

这种现象主要源于激光雷达的工作原理，其通过计算激光发射与接收的时间差来测算距离，而强烈的反射、复杂的多径效应或接收电路的噪声干扰，都可能生成具有误导性的时空信号，进而被解算为空间中的虚假点。鬼影不仅增加了点云数据的噪声，更可能直接引发自动驾驶系统或测量模型的误判，是三维感知中需要重点识别与滤除的典型干扰之一。

2）膨胀

所谓“膨胀”，是指在激光雷达扫描中，真实物体的点云轮廓往往显得比实际物理尺寸更大，点云向外扩散，边缘变得模糊和“臃肿”。这一现象主要源于激光雷达接收反射信号时的物理特性，当激光束照射到物体表面时，尤其是遇到高反射率材质（如金属、玻璃等）时，信号容易在表面发生散射或多次反射，导致部分回波信号来自物体边缘以外或相邻区域。

点云出现“膨胀”，图片源自：网络

此外，激光光束本身具有一定的发散角，接收电路也存在时间响应和信号处理上的微小延迟与噪声，这些因素共同造成点云在空间分布上“溢出”实际边界，从而形成视觉上的膨胀效果。这种现象在高反射物体上尤为明显，不仅影响点云的几何精度，也对后续的三维重建、目标识别与测量等任务带来一定挑战。

从硬件层面减少“鬼影”和“膨胀”的产生

想减少“鬼影”与“膨胀”现象，首先要做的就是从传感器硬件设计与参数优化层面入手，抑制其产生的物理根源。激光雷达的接收器动态范围至关重要，它决定了传感器同时处理强弱信号的能力。若动态范围不足，遇到高反射物体时，强回波信号容易导致接收电路饱和，引发信号畸变，从而加剧点云的“膨胀”。采用更宽的动态范围或分段增益控制技术，能有效区分正常与过强的反射信号，显著减轻此类效应。

在光学设计方面，优化举措同样关键。通过精心的光学滤波、抗反射表面处理以及改进的镜头设计，可以增强光束的均匀性与可控性，从源头减少无意义的强反射与杂散光。这一优化能有效抑制因多次反射和光学噪声所产生的虚假信号，从而在硬件层面直接降低“鬼影”生成的概率。

图片源自：网络

此外，采用更先进的回波处理机制也能提升点云的真实性。如通过记录并分析多重回波（而不仅是第一个回波），使系统能够区分激光穿透半透明物体（如玻璃）或在复杂结构间多次反射产生的分层信号。这有助于辨识并滤除那些不合理空间位置的虚假点云，为后续算法提供更干净的数据基础。

高精度的出厂校准与运行时的实时自校准机制也不可或缺。激光雷达内部各收发通道存在固有差异，且会随温度变化、机械振动与时间推移而发生漂移。持续的校准能校正这些误差，防止其放大点云中的噪声与几何失真，为生成高质量、可靠的点云数据奠定坚实的硬件基础。

点云预处理的基本策略：滤波和异常点过滤

即便硬件设计不断优化，点云数据中仍难以完全避免噪声与异常点的产生。因此，在点云进入感知算法前，进行有效的预处理是至关重要的一步。预处理旨在通过去噪、下采样和离群点移除等操作，在保留真实几何结构的前提下，清理掉点云中明显的错误点，为后续处理提供更干净、可靠的数据基础。

常用的滤波技术包括统计滤波与直通滤波。统计滤波通过分析每个点周围邻域内点的分布特征（如密度、平均距离和标准差），识别并剔除那些偏离主体分布、符合噪声特征的离群点。直通滤波则通过设置合理的空间范围（如距离、高度或平面区间），直接截取目标区域内的点云，可有效滤除因干扰产生的远处“鬼影”等明显不合理的数据点。

图片源自：网络

为进一步优化数据效率与质量，体素网格滤波常被用于降采样。该方法将点云空间划分为均匀的体素格子，并用每个体素内所有点的重心或平均值代表该体素，从而在降低点云数量的同时，一定程度上平滑因“膨胀”效应导致的边缘扩散，兼顾处理速度与几何保持。

此外，还可以结合点云的几何特征进行筛选，如通过计算局部法向量和曲率，判断点的表面一致性。若某点所处的局部几何特征与其周围物体表面明显不符，则很可能为噪声点，可在预处理阶段就予以剔除。

尽管这些预处理方法无法从根本上消除“鬼影”和“膨胀”，但在大多数实际场景中，它们能够显著减少异常点的数量，提升点云数据的整体质量，使后续的目标检测、分类与建模等高级处理更加稳定可靠。

基于校正和几何恢复的深入处理方法

在预处理之后，对于依然存在的反光噪声与膨胀效应，可通过进一步的校正与几何恢复处理，从而更准确地重建真实的物体轮廓与表面结构。

一种常见的思路是依据反射特征识别潜在的高反射目标区域。由于高反射表面（如金属、玻璃、反光标志）的回波通常在点云中具有较高的强度值，因此可利用点云附带的强度信息或反射率特征，对点云进行初步分类，将强反射区域标记出来，从而为后续针对性的处理提供了基础，也体现了多维度信息（空间坐标+强度）在区分真实点与虚假点方面的价值。

图片源自：网络

识别出高反射区域后，可借助几何拟合方法对其中的点云进行校正。若已知该区域对应一个平面交通标志，则可利用区域内的点拟合一个平面模型，并将明显偏离该模型的点视为噪声予以剔除或调整。该方法适用于已知物体大致几何形状的场景，通过约束点云符合预期的几何模型，可有效修正因信号扩散导致的“膨胀”或边缘模糊。

现阶段，还有一些研究采用了联合去噪与几何恢复的整体框架，通过多阶段、多策略的流程综合处理各类噪声。如先通过滤波去除离散噪声，再对高反射区域进行几何模型拟合以恢复真实边界，最后针对局部膨胀误差做精细化调整，使点云整体在几何和拓扑上更贴近物体真实形态。这类方法在实验中展现出显著的效果，能够系统性地提升点云在复杂反射环境下的几何精度与可靠性。

总的来说，基于反射特征识别、几何模型约束与多阶段联合处理的校正策略，为应对“鬼影”和“膨胀”这类顽固噪声提供了更深层的解决途径，有助于在感知前端获得更干净、更准确的三维环境表达。

多帧融合和时间一致性检查

单次扫描的点云更容易受到如突发的强反射、环境光突变或瞬时遮挡等瞬时干扰的影响，这些因素可能在点云中引入短暂存在的错误点，“鬼影”与“膨胀”现象中也会包含这类瞬时噪声。

为此，可利用连续多帧点云进行时序融合，以提升点云的稳定性和可靠性。其基本原理是基于真实的环境结构在连续时序中具有相对稳定性，而噪声点多为随机出现、位置或形态在不同帧间不一致。通过将连续若干帧点云进行对齐与叠加，并统计各空间位置点出现的持续性，可以有效区分真实物体与瞬时噪声。那些在多数帧中稳定出现的点会被保留，而仅偶尔出现的点则被视为噪声予以剔除。这种方法通过在时间维度上利用数据的冗余性，可显著增强对真实场景结构的判断信心。

图片源自：网络

时序融合不仅能够抑制瞬时噪声、改善单帧点云质量，也为后续感知算法提供了更稳定、更完整的数据基础。在自动驾驶场景中，对车辆前方连续多帧点云进行融合分析，可以更准确判断某一位置是否存在真实障碍物。若该处点云在连续多帧中持续出现，则可确认为真实物体；反之，若仅在个别帧中零星出现，则大概率属于噪声。通过基于时间一致性的滤波与融合策略，能够显著降低“鬼影”和“膨胀”带来的误判风险，提升环境感知的鲁棒性与准确性。

时序融合是从动态维度对抗点云噪声的有效手段，与硬件优化、预处理、几何校正等方法相结合，可共同构建起多层次、高鲁棒的点云质量增强体系。

利用学习方法提高点云质量

传统的滤波和几何校正方法是基于预设规则与参数来实现的，在简单或结构化的场景中表现会较为良好。但在复杂动态环境或多种噪声相互交织的情况下，这类方法就显得不够灵活，难以准确区分噪声与真实结构之间的细微差异。

近年来，随着深度学习技术的发展，基于数据驱动的方法为点云去噪与校正提供了新的思路。这类方法通过大量标注的点云数据训练神经网络，使其能够自动学习区分真实点云与噪声的内在规律。网络可以综合利用点的空间分布、局部几何特征、反射强度以及多尺度邻域关系等信息，自动提取更深层次、更鲁棒的特征表示，从而实现对“鬼影”“膨胀”等复杂噪声的智能识别与抑制。

图片源自：网络

深度学习方法的优势在于其能够从海量数据中学习复杂、非线性的噪声模式，而不依赖于人工设计的规则或阈值。对于传统算法难以清晰定义的反射异常、动态干扰或多种失真混合的情况，训练良好的模型可以表现出更强的适应性与恢复能力。

当然，这类方法也存在一定的挑战。深度学习的性能高度依赖训练数据的规模与标注质量，但获取大规模、高质量的真实噪声标注点云成本会较高；此外，深度学习模型的计算复杂度也较高，对部署平台的算力有一定要求。因此，在实际应用中，需根据具体场景需求，在效果与效率之间进行权衡，或考虑将其与传统方法结合，构建混合增强的噪声处理流程。

多传感器融合：让激光雷达不再孤军奋战

单一的传感器系统始终存在固有的性能边界与环境适应性限制。激光雷达在面对高反射、复杂天气或瞬时干扰时，难免出现“鬼影”“膨胀”等点云异常，若仅依赖其单一的数据源进行感知，依然会存在误判风险。为了提升系统的整体鲁棒性与安全性，很多技术方案会采用多传感器融合策略，通过协同使用摄像头、毫米波雷达、超声波雷达等异构传感器，实现对环境的多维度冗余感知。

多传感器融合的核心在于利用不同传感模态的特性进行互补与验证。摄像头能够提供丰富的纹理与语义信息，可通过视觉检测验证激光雷达点云中某处是否确实存在对应物体。若雷达报告该处存在疑似障碍物，而摄像头在同一区域未识别出相应实体，则该点云可被标记为低置信度或疑似噪声。这种跨模态校验机制可显著降低因单一传感器异常导致的误判。

图片源自：网络

毫米波雷达与激光雷达的组合也十分常见。毫米波雷达对雨雪、雾霾等恶劣天气具有较好的穿透性，且不易受高反射表面干扰，其稳定的速度与距离测量能力，可与激光雷达的高精度三维点云形成有效互补。将两者的输出进行融合，不仅能验探测的目标是否存在，还能在部分传感器性能下降时依旧保持基本的环境感知能力。

多传感器融合的关键在于精确的时空同步与坐标系统一。必须通过标定将各传感器的数据映射至同一坐标系，并保证数据在时间上严格对齐，在此基础上应用滤波、关联、融合等算法，才能在感知层有效抑制因单一传感器噪声引起的误差，输出更稳定、更可信的环境表征。多传感器融合不仅是提升感知性能的技术手段，更是构建高可靠性自主系统的必要架构设计。

最后的话

通过从硬件优化、预处理滤波、几何校正、多帧融合、学习方法和多传感器融合等多个方式，可以显著减少激光雷达点云中的“鬼影”和“膨胀”现象。每个技术都有其适用场景和限制，综合应用能让点云更接近真实环境，提高自动驾驶等系统的安全性和可靠性。