[首發于智駕最前沿微信公眾號]之前在聊激光雷達點云“鬼影”和“膨脹”的文章中（相關閱讀：激光雷達點云中“鬼影”和“膨脹”是什么原因導致的？），很多小伙伴都提到一個問題，那就是激光雷達點云中的“鬼影”和“膨脹”可以如何解決，今天就圍繞這個話題展開聊聊。

激光雷達點云中的“鬼影”和“膨脹”到底是什么

在聊今天的話題前，還是簡單說下激光雷達中的“鬼影”和“膨脹”是什么。激光雷達作為廣泛應用在自動駕駛、機器人和三維測繪等領域的感知硬件，其能把周圍環境描述成三維點云，讓機器感知到物體的距離、形狀和位置。但在實際應用中，點云并不是完美無誤的，它會帶如“鬼影”和“膨脹”等問題。

1）鬼影

所謂“鬼影”，是指在激光雷達生成的點云數據中，出現了在現實場景中并不存在的虛假物體或點云結構。這些虛假點云可能呈現為離散的散點，也可能聚集形似真實物體的輪廓，會對感知系統造成嚴重干擾。

點云出現“鬼影”，圖片源自：網絡

舉一個典型的例子，當激光束照射到路邊的反光標志或光滑鏡面時，部分能量可能發生多次反射或鏡面反射，導致系統依據延遲的回波信號，在錯誤的空間位置上計算出一個“重復”或扭曲的點云簇，使感知算法誤判該處存在實際并不存在的障礙物。

這種現象主要源于激光雷達的工作原理，其通過計算激光發射與接收的時間差來測算距離，而強烈的反射、復雜的多徑效應或接收電路的噪聲干擾，都可能生成具有誤導性的時空信號，進而被解算為空間中的虛假點。鬼影不僅增加了點云數據的噪聲，更可能直接引發自動駕駛系統或測量模型的誤判，是三維感知中需要重點識別與濾除的典型干擾之一。

2）膨脹

所謂“膨脹”，是指在激光雷達掃描中，真實物體的點云輪廓往往顯得比實際物理尺寸更大，點云向外擴散，邊緣變得模糊和“臃腫”。這一現象主要源于激光雷達接收反射信號時的物理特性，當激光束照射到物體表面時，尤其是遇到高反射率材質（如金屬、玻璃等）時，信號容易在表面發生散射或多次反射，導致部分回波信號來自物體邊緣以外或相鄰區域。

點云出現“膨脹”，圖片源自：網絡

此外，激光光束本身具有一定的發散角，接收電路也存在時間響應和信號處理上的微小延遲與噪聲，這些因素共同造成點云在空間分布上“溢出”實際邊界，從而形成視覺上的膨脹效果。這種現象在高反射物體上尤為明顯，不僅影響點云的幾何精度，也對后續的三維重建、目標識別與測量等任務帶來一定挑戰。

從硬件層面減少“鬼影”和“膨脹”的產生

想減少“鬼影”與“膨脹”現象，首先要做的就是從傳感器硬件設計與參數優化層面入手，抑制其產生的物理根源。激光雷達的接收器動態范圍至關重要，它決定了傳感器同時處理強弱信號的能力。若動態范圍不足，遇到高反射物體時，強回波信號容易導致接收電路飽和，引發信號畸變，從而加劇點云的“膨脹”。采用更寬的動態范圍或分段增益控制技術，能有效區分正常與過強的反射信號，顯著減輕此類效應。

在光學設計方面，優化舉措同樣關鍵。通過精心的光學濾波、抗反射表面處理以及改進的鏡頭設計，可以增強光束的均勻性與可控性，從源頭減少無意義的強反射與雜散光。這一優化能有效抑制因多次反射和光學噪聲所產生的虛假信號，從而在硬件層面直接降低“鬼影”生成的概率。

圖片源自：網絡

此外，采用更先進的回波處理機制也能提升點云的真實性。如通過記錄并分析多重回波（而不僅是第一個回波），使系統能夠區分激光穿透半透明物體（如玻璃）或在復雜結構間多次反射產生的分層信號。這有助于辨識并濾除那些不合理空間位置的虛假點云，為后續算法提供更干凈的數據基礎。

高精度的出廠校準與運行時的實時自校準機制也不可或缺。激光雷達內部各收發通道存在固有差異，且會隨溫度變化、機械振動與時間推移而發生漂移。持續的校準能校正這些誤差，防止其放大點云中的噪聲與幾何失真，為生成高質量、可靠的點云數據奠定堅實的硬件基礎。

點云預處理的基本策略：濾波和異常點過濾

即便硬件設計不斷優化，點云數據中仍難以完全避免噪聲與異常點的產生。因此，在點云進入感知算法前，進行有效的預處理是至關重要的一步。預處理旨在通過去噪、下采樣和離群點移除等操作，在保留真實幾何結構的前提下，清理掉點云中明顯的錯誤點，為后續處理提供更干凈、可靠的數據基礎。

常用的濾波技術包括統計濾波與直通濾波。統計濾波通過分析每個點周圍鄰域內點的分布特征（如密度、平均距離和標準差），識別并剔除那些偏離主體分布、符合噪聲特征的離群點。直通濾波則通過設置合理的空間范圍（如距離、高度或平面區間），直接截取目標區域內的點云，可有效濾除因干擾產生的遠處“鬼影”等明顯不合理的數據點。

圖片源自：網絡

為進一步優化數據效率與質量，體素網格濾波常被用于降采樣。該方法將點云空間劃分為均勻的體素格子，并用每個體素內所有點的重心或平均值代表該體素，從而在降低點云數量的同時，一定程度上平滑因“膨脹”效應導致的邊緣擴散，兼顧處理速度與幾何保持。

此外，還可以結合點云的幾何特征進行篩選，如通過計算局部法向量和曲率，判斷點的表面一致性。若某點所處的局部幾何特征與其周圍物體表面明顯不符，則很可能為噪聲點，可在預處理階段就予以剔除。

盡管這些預處理方法無法從根本上消除“鬼影”和“膨脹”，但在大多數實際場景中，它們能夠顯著減少異常點的數量，提升點云數據的整體質量，使后續的目標檢測、分類與建模等高級處理更加穩定可靠。

基于校正和幾何恢復的深入處理方法

在預處理之后，對于依然存在的反光噪聲與膨脹效應，可通過進一步的校正與幾何恢復處理，從而更準確地重建真實的物體輪廓與表面結構。

一種常見的思路是依據反射特征識別潛在的高反射目標區域。由于高反射表面（如金屬、玻璃、反光標志）的回波通常在點云中具有較高的強度值，因此可利用點云附帶的強度信息或反射率特征，對點云進行初步分類，將強反射區域標記出來，從而為后續針對性的處理提供了基礎，也體現了多維度信息（空間坐標+強度）在區分真實點與虛假點方面的價值。

圖片源自：網絡

識別出高反射區域后，可借助幾何擬合方法對其中的點云進行校正。若已知該區域對應一個平面交通標志，則可利用區域內的點擬合一個平面模型，并將明顯偏離該模型的點視為噪聲予以剔除或調整。該方法適用于已知物體大致幾何形狀的場景，通過約束點云符合預期的幾何模型，可有效修正因信號擴散導致的“膨脹”或邊緣模糊。

現階段，還有一些研究采用了聯合去噪與幾何恢復的整體框架，通過多階段、多策略的流程綜合處理各類噪聲。如先通過濾波去除離散噪聲，再對高反射區域進行幾何模型擬合以恢復真實邊界，最后針對局部膨脹誤差做精細化調整，使點云整體在幾何和拓撲上更貼近物體真實形態。這類方法在實驗中展現出顯著的效果，能夠系統性地提升點云在復雜反射環境下的幾何精度與可靠性。

總的來說，基于反射特征識別、幾何模型約束與多階段聯合處理的校正策略，為應對“鬼影”和“膨脹”這類頑固噪聲提供了更深層的解決途徑，有助于在感知前端獲得更干凈、更準確的三維環境表達。

多幀融合和時間一致性檢查

單次掃描的點云更容易受到如突發的強反射、環境光突變或瞬時遮擋等瞬時干擾的影響，這些因素可能在點云中引入短暫存在的錯誤點，“鬼影”與“膨脹”現象中也會包含這類瞬時噪聲。

為此，可利用連續多幀點云進行時序融合，以提升點云的穩定性和可靠性。其基本原理是基于真實的環境結構在連續時序中具有相對穩定性，而噪聲點多為隨機出現、位置或形態在不同幀間不一致。通過將連續若干幀點云進行對齊與疊加，并統計各空間位置點出現的持續性，可以有效區分真實物體與瞬時噪聲。那些在多數幀中穩定出現的點會被保留，而僅偶爾出現的點則被視為噪聲予以剔除。這種方法通過在時間維度上利用數據的冗余性，可顯著增強對真實場景結構的判斷信心。

圖片源自：網絡

時序融合不僅能夠抑制瞬時噪聲、改善單幀點云質量，也為后續感知算法提供了更穩定、更完整的數據基礎。在自動駕駛場景中，對車輛前方連續多幀點云進行融合分析，可以更準確判斷某一位置是否存在真實障礙物。若該處點云在連續多幀中持續出現，則可確認為真實物體；反之，若僅在個別幀中零星出現，則大概率屬于噪聲。通過基于時間一致性的濾波與融合策略，能夠顯著降低“鬼影”和“膨脹”帶來的誤判風險，提升環境感知的魯棒性與準確性。

時序融合是從動態維度對抗點云噪聲的有效手段，與硬件優化、預處理、幾何校正等方法相結合，可共同構建起多層次、高魯棒的點云質量增強體系。

利用學習方法提高點云質量

傳統的濾波和幾何校正方法是基于預設規則與參數來實現的，在簡單或結構化的場景中表現會較為良好。但在復雜動態環境或多種噪聲相互交織的情況下，這類方法就顯得不夠靈活，難以準確區分噪聲與真實結構之間的細微差異。

近年來，隨著深度學習技術的發展，基于數據驅動的方法為點云去噪與校正提供了新的思路。這類方法通過大量標注的點云數據訓練神經網絡，使其能夠自動學習區分真實點云與噪聲的內在規律。網絡可以綜合利用點的空間分布、局部幾何特征、反射強度以及多尺度鄰域關系等信息，自動提取更深層次、更魯棒的特征表示，從而實現對“鬼影”“膨脹”等復雜噪聲的智能識別與抑制。

圖片源自：網絡

深度學習方法的優勢在于其能夠從海量數據中學習復雜、非線性的噪聲模式，而不依賴于人工設計的規則或閾值。對于傳統算法難以清晰定義的反射異常、動態干擾或多種失真混合的情況，訓練良好的模型可以表現出更強的適應性與恢復能力。

當然，這類方法也存在一定的挑戰。深度學習的性能高度依賴訓練數據的規模與標注質量，但獲取大規模、高質量的真實噪聲標注點云成本會較高；此外，深度學習模型的計算復雜度也較高，對部署平臺的算力有一定要求。因此，在實際應用中，需根據具體場景需求，在效果與效率之間進行權衡，或考慮將其與傳統方法結合，構建混合增強的噪聲處理流程。

多傳感器融合：讓激光雷達不再孤軍奮戰

單一的傳感器系統始終存在固有的性能邊界與環境適應性限制。激光雷達在面對高反射、復雜天氣或瞬時干擾時，難免出現“鬼影”“膨脹”等點云異常，若僅依賴其單一的數據源進行感知，依然會存在誤判風險。為了提升系統的整體魯棒性與安全性，很多技術方案會采用多傳感器融合策略，通過協同使用攝像頭、毫米波雷達、超聲波雷達等異構傳感器，實現對環境的多維度冗余感知。

多傳感器融合的核心在于利用不同傳感模態的特性進行互補與驗證。攝像頭能夠提供豐富的紋理與語義信息，可通過視覺檢測驗證激光雷達點云中某處是否確實存在對應物體。若雷達報告該處存在疑似障礙物，而攝像頭在同一區域未識別出相應實體，則該點云可被標記為低置信度或疑似噪聲。這種跨模態校驗機制可顯著降低因單一傳感器異常導致的誤判。

圖片源自：網絡

毫米波雷達與激光雷達的組合也十分常見。毫米波雷達對雨雪、霧霾等惡劣天氣具有較好的穿透性，且不易受高反射表面干擾，其穩定的速度與距離測量能力，可與激光雷達的高精度三維點云形成有效互補。將兩者的輸出進行融合，不僅能驗探測的目標是否存在，還能在部分傳感器性能下降時依舊保持基本的環境感知能力。

多傳感器融合的關鍵在于精確的時空同步與坐標系統一。必須通過標定將各傳感器的數據映射至同一坐標系，并保證數據在時間上嚴格對齊，在此基礎上應用濾波、關聯、融合等算法，才能在感知層有效抑制因單一傳感器噪聲引起的誤差，輸出更穩定、更可信的環境表征。多傳感器融合不僅是提升感知性能的技術手段，更是構建高可靠性自主系統的必要架構設計。

最后的話

通過從硬件優化、預處理濾波、幾何校正、多幀融合、學習方法和多傳感器融合等多個方式，可以顯著減少激光雷達點云中的“鬼影”和“膨脹”現象。每個技術都有其適用場景和限制，綜合應用能讓點云更接近真實環境，提高自動駕駛等系統的安全性和可靠性。

審核編輯 黃宇