lio-sam点云数据预处理

### LIO-SAM点云数据预处理方法及实现 #### 点云数据属性需求分析 对于LIO-SAM框架而言，在适配不同数据集时，尤其关注激光雷达点云中的特定属性，如`ring`、`intensity`以及`time`等。这些属性有助于提高算法性能和鲁棒性[^1]。 #### 数据预处理流程概述 针对点云的预处理主要包括两个方面的工作： - **畸变校正**：由于传感器运动造成的图像扭曲现象称为动态畸变；而静态畸变则源于设备本身的光学特性。为了获得更精确的地图构建效果，需要对采集到的数据实施相应的补偿措施。 - **有效点筛选**：并非所有的原始测量值都适合参与后续计算过程。通过设定合理的阈值条件来剔除噪声干扰项或是远离工作区域的目标物体，从而保留最具代表性的样本集合用于进一步处理[^2]。 #### 实现细节说明 ##### 畸变矫正的具体操作 考虑到实际应用场景下的复杂情况，通常会采用基于时间戳同步机制的方法来进行实时修正。具体来说就是根据每一帧扫描线的时间差Δt与角速度ω之间的关系推算出偏移量δθ=ω·Δt，并据此调整各像素坐标位置以抵消因快速转动所带来的影响。 ```cpp // 假设已知每圈扫描所需时间和水平分辨率 double scan_period = 0.1; // 单位:s int horizon_scan = 1800; for (size_t i = 0; i < extractedCloud->height; ++i){ double time_offset = (static_cast<double>(i) / static_cast<double>(horizon_scan)) * scan_period; for(size_t j = 0 ;j<extractedCloud->width;++j){ pcl::PointXYZI& point = fullCloud->points[j + i*horizon_scan]; // 对point进行必要的变换... extractedCloud->push_back(point); } } ``` 上述代码片段展示了如何遍历整个点云并应用时间戳差异引起的旋转角度变化完成初步校准工作。 ##### 提取有效的点云信息 除了去除异常值外，还需要特别注意选取那些携带了足够多辅助特征（比如强度反射率）的信息作为输入源。这一步骤不仅能够简化模型结构设计还能间接提升定位精度。 ```cpp pcl::PointCloud<pcl::PointXYZI>::Ptr filtered_cloud(new pcl::PointCloud<pcl::PointXYZI>); std::vector<int> indices; pcl::removeNaNFromPointCloud(*input_cloud, *filtered_cloud, indices); float min_range = 1.0f, max_range = 80.0f; for(const auto& pt : filtered_cloud->points){ float distance = sqrt(pt.x * pt.x + pt.y * pt.y + pt.z * pt.z); if(distance >= min_range && distance <= max_range){ output_cloud->push_back(pt); } } ``` 此部分逻辑实现了基本的距离范围过滤功能，确保只留下位于合理探测区间内的目标对象供下一层级调用。