企业官网建设流程全解析

1. 从一次“点云翻车”说起：为什么我要死磕 scanRegistration

去年帮一个做园区巡检机器人的朋友调一套激光雷达里程计，设备是常见的机械式多线激光雷达，跑的是 LOAM 那一套经典框架。当时遇到一个特别诡异的现象：机器人在直道上跑得好好的，一进到有玻璃幕墙和长走廊的区域，建出来的地图就开始“糊”，墙面像被揉皱的纸一样分层，回环也接不上。我一开始怀疑是后端优化的问题，折腾了两天，最后定位到根子上——scanRegistration 这一环的特征点提取出了问题。

这个模块是 LOAM 整条流水线的第一道工序，也是决定后面所有事情质量的地基。它干的事情说白了就三件：把原始点云按线束拆开、算出每个点的曲率、根据曲率把点分成“边缘点”和“平面点”两类特征。听起来简单，但里面藏着一堆工程细节：曲率怎么算才稳、遮挡点怎么剔、特征点怎么均匀分布、强度信息怎么用。这些细节处理不好，后面 scan-to-scan 匹配、scan-to-map 优化全都会跟着遭殃。

这篇笔记就是把我啃 LOAM 源码里 scanRegistration 这个文件的过程完整记录下来。我会从整体设计思路讲到每一行关键代码的意图，把参数选择的计算过程摊开说，再把我踩过的坑和排查方法整理成速查表。适合正在读 LOAM 源码、想自己复现一套激光里程计、或者单纯想搞明白“点云特征提取到底在提什么”的朋友。不管你是刚接触 SLAM 的新手，还是已经跑通过框架但没细看源码的老手，应该都能从里面捞到点东西。

2. scanRegistration 的整体设计与思路拆解

2.1 它在 LOAM 流水线里到底站在什么位置

LOAM 的整体架构是“特征提取 + 双线程优化”的经典设计。scanRegistration 是整条链路的入口，输入是一帧原始点云加上对应的雷达参数，输出是四组点：尖锐边缘点、次尖锐边缘点、平面点、次平面点。后面 scan-to-scan 的里程计线程和 scan-to-map 的建图线程，都是拿这四组点去做匹配的。

为什么要把特征分成“尖锐”和“次尖锐”、“平面”和“次平面”？这是为了保证匹配的鲁棒性。尖锐边缘点数量少但定位精度高，用来做主要约束；次尖锐点数量多，用来在特征稀疏的区域兜底。平面点同理。这种分级策略本质上是给优化器提供了不同置信度的观测，让它在不同场景下都有足够的约束可用。

理解这一点很关键：scanRegistration 不是一个“预处理”那么简单，它其实是在做信息的压缩和结构化。一帧点云动辄几万个点，直接拿去匹配计算量大得离谱，而且大部分点（比如平坦地面上的点）提供的信息是冗余的。特征提取就是把这些冗余去掉，只留下对位姿估计最有价值的那些点。

2.2 为什么按线束拆点是第一步

机械式多线激光雷达的原始点云是一个无序的点集合，每个点带着 xyz 坐标、强度、还有相对时间戳。但雷达的物理结构决定了它是“一圈一圈”扫描的，每一圈就是一个线束（scan line）。同一个线束上的点，在垂直方向上是同一个俯仰角，水平方向上是连续变化的方位角。

按线束拆点的目的，是把三维问题降维成“每个线束内部的一维序列问题”。因为特征提取的核心是算曲率，而曲率是沿扫描方向计算的——你得知道一个点的前后邻居是谁。如果不拆线束，你根本不知道哪个点是哪个点的邻居。拆完之后，每个线束内部就是一个按方位角排序的序列，前后邻居关系一目了然。

这里有个工程细节：不同雷达的线束数量、每束点数、垂直角度分布都不一样。代码里通常用一个参数表来配置，比如 16 线、32 线、64 线各有各的配置。我见过有人直接拿 64 线的配置去跑 16 线的数据，结果点云被切得乱七八糟，特征全错。这个坑后面会细说。

2.3 曲率计算的本质：用前后邻居的“离散程度”衡量局部形状

曲率这个概念在连续几何里是描述曲线弯曲程度的，但点云是离散的，没法直接求导。LOAM 用的是一种近似方法：对每个点，取它前后各若干个邻居点，计算这些点到该点距离的某种“离散程度”，用这个值来近似曲率。

具体来说，代码里会计算一个类似“邻居点相对该点的向量模长之和”的量。如果这个点在一个平面上，前后邻居基本在同一个平面内，向量模长之和就小；如果这个点在一条棱上，前后邻居分布在棱的两侧，向量模长之和就大。这个值越大，说明局部越“尖锐”，越可能是边缘特征。

这个近似方法的好处是计算量小、对噪声有一定容忍度。但它也有软肋：如果邻居点里混进了遮挡点或者噪声点，曲率就会被算歪。所以后面必须有一套剔除机制，把不可靠的点干掉。这就是为什么 scanRegistration 里有一大堆判断条件，不是单纯算个曲率就完事。

2.4 特征分级与均匀化：避免“特征扎堆”

算完曲率之后，理论上按曲率排序，取最大的那些当边缘点、最小的那些当平面点就行了。但实际场景里，特征分布是极不均匀的。比如一面墙的角落，曲率大的点会扎堆；一片空旷地面，曲率小的点也会扎堆。如果直接取 top N，结果就是特征全集中在少数区域，其他区域一个特征都没有，匹配的时候约束严重失衡。

LOAM 的解法是分区域提取。把每个线束再切成若干个子区域，每个子区域里最多取一个边缘点和一个平面点。这样保证特征在空间上均匀分布，不会出现“一边倒”的情况。这个思路在工程上非常实用，我后来自己做别的特征提取任务时也经常借用。

3. 核心细节解析与实操要点

3.1 点云拆线束的具体实现与参数陷阱

拆线束的核心是判断每个点属于哪一条扫描线。机械式雷达的点云里，每个点通常带一个 ring 字段（或者叫 scan ID），直接读就行。但有些雷达驱动不提供这个字段，那就得靠垂直角度来推算：用点的 z 坐标和 xy 平面距离算出俯仰角，再跟雷达的垂直角度表比对，找最接近的那条线。

这里第一个坑就是垂直角度表的精度。如果雷达实际的角度分布和配置表有偏差，或者点云有畸变，俯仰角算出来就会落在两条线之间，导致点被分错线。我遇到过一种情况：雷达安装时稍微有点俯仰倾斜，导致所有点的俯仰角整体偏移，拆线束时大量点被分到相邻线束，特征提取直接崩掉。解决办法是在拆线束之前先做一次姿态粗校正，或者用自适应的角度聚类来动态确定线束边界。

第二个坑是每束点数的上限。代码里通常会预分配一个固定大小的数组来存每条线束的点，如果实际点数超过这个上限，就会溢出或者截断。高分辨率雷达一帧点数很多，这个上限要设够。我一般会按“雷达水平分辨率 × 一圈最大点数 × 1.2”来估算，留 20% 余量。

3.2 曲率计算的邻居窗口选择：前后各 5 个点是怎么来的

LOAM 源码里计算曲率时，对每个点取前后各 5 个邻居，一共 10 个点参与计算。这个 5 不是随便定的，它跟雷达的水平角分辨率有关。以常见的水平分辨率 0.2 度为例，5 个点大约覆盖 1 度的方位角范围。这个范围既要足够大，能反映出局部形状；又不能太大，否则跨过了特征边界，曲率就被平均掉了。

如果雷达水平分辨率更高，比如 0.1 度，那 5 个点只覆盖 0.5 度，窗口偏小，曲率对噪声更敏感。这时候可以适当增大到 7 或 9。反过来，分辨率低的时候要减小窗口。我的经验是：让窗口覆盖的方位角在 0.8 到 1.2 度之间比较合适，可以根据实际数据微调。

还有一个细节：窗口内的点必须和当前点在同一条线束上，而且方位角要连续。如果中间有缺失点（比如被遮挡），窗口就不能跨过缺失区域。代码里通常会检查邻居点的索引连续性，不连续就跳过。这个检查很重要，否则遮挡边界处的曲率会算得非常大，产生大量假边缘点。

3.3 遮挡点与平行光束点的剔除逻辑

遮挡点是激光雷达的天然缺陷。当激光打到物体边缘时，一部分光束打在近处物体上，一部分打在远处背景上，两者在点云里表现为距离突变。这种突变点的曲率会很大，容易被误判为边缘特征，但实际上它只是遮挡造成的，不是真实的几何边缘。

LOAM 的剔除逻辑是：对每个点，检查它和邻居点的距离。如果当前点到雷达的距离明显小于邻居点到雷达的距离（比如小于邻居距离的某个比例），说明当前点可能遮挡了后面的点，把它标记为不可靠。具体阈值我一般设 0.8 左右，也就是当前点距离小于邻居距离的 80% 就剔除。

平行光束点是另一种情况：激光束几乎平行于物体表面，打出来的点距离变化很大，但实际几何是平滑的。这种点的曲率也会偏大。剔除方法是检查邻居点之间的距离变化率，如果变化太剧烈且不连续，就认为是平行光束造成的，剔除掉。

注意：这两类剔除都会损失一些真实特征，所以阈值不能设得太激进。我一般先用宽松阈值跑一遍，看看特征点数量和分布，再逐步收紧，找到一个平衡点。

3.4 特征分级的数量控制与均匀化策略

前面说了要分区域提取，具体怎么分？LOAM 的做法是把每个线束分成 6 个子区域，每个子区域里按曲率排序，取最大的若干个作为边缘点候选，最小的若干个作为平面点候选。然后在这些候选里再做一次筛选，保证相邻特征点之间有一定的间隔。

这个“间隔”很关键。如果两个特征点挨得太近，它们提供的信息是高度冗余的，而且容易在匹配时产生冲突。代码里通常要求相邻特征点之间至少隔几个点（比如 3 到 5 个）。这个间隔值跟雷达分辨率有关，分辨率高就设大一点。

数量控制方面，每个线束提取的边缘点和平面点数量是有上限的。上限设多少取决于你对实时性和精度的权衡。边缘点太少，匹配约束不够；太多，计算量上去了，而且可能引入更多噪声。我一般让每个线束的边缘点不超过 2 个、平面点不超过 4 个，具体看场景调整。

4. 实操过程与核心环节实现

4.1 从原始点云到线束序列的完整处理链

假设我们拿到一帧原始点云，数据格式是每个点带 xyz、强度、ring、时间戳。第一步是遍历所有点，按 ring 字段把它们塞进对应的线束数组里。如果 ring 字段缺失，就用俯仰角推算。塞进去的同时记录每个点的方位角，方便后面排序。

第二步是对每个线束内部的点按方位角排序。机械式雷达的点云通常已经是按扫描顺序排列的，但不同驱动可能不一样，保险起见还是排一次。排序之后，每个线束就是一个有序的点序列，前后邻居关系确定。

第三步是遍历每个线束的每个点，计算曲率。计算时取前后各 5 个邻居，检查索引连续性和距离合理性，把不可靠的点标记出来。曲率值存到一个数组里，后面排序用。

第四步是分区域提取特征。把每个线束分成 6 段，每段内按曲率排序，选边缘点和平面点候选，再做间隔筛选和数量控制。最后把四组特征点输出。

整个流程听起来线性，但实际写代码时有很多边界情况要处理：线束开头和结尾的点没有完整的前后邻居，要特殊处理；点云有缺失时要跳过；曲率计算时的浮点精度问题也要注意。

4.2 曲率计算的具体公式与参数选择过程

曲率计算的公式大致是这样的：对点 i，取邻居集合 S（前后各 5 个点），计算每个邻居点到点 i 的向量，然后求这些向量模长的平方和，再除以邻居数量。这个值越大，曲率越大。

用数学表达就是：c = (1/|S|) * Σ(||p_j - p_i||²)，其中 j 遍历 S。有的实现会用距离而不是距离平方，效果类似，但平方对异常值更敏感，我倾向于用距离本身，更稳一些。

参数选择上，邻居数量 5 是一个经验值。我试过 3、5、7、9，实测下来 5 在大多数场景下表现最均衡。3 太敏感，噪声点容易产生假特征；9 太迟钝，小尺度的边缘会被平滑掉。当然这跟雷达分辨率有关，高分辨率雷达可以适当增大。

还有一个隐藏参数是曲率计算的权重。有的实现会给近处的邻居更大的权重，因为近处点更可靠。这个做法在点云密度随距离衰减明显时很有用。我一般用简单的反距离权重，效果比均匀权重好一些。

4.3 特征点筛选的阈值设定与实测调整

筛选边缘点的阈值是曲率的最大值。但这个阈值不是固定的，因为不同场景的曲率分布差异很大。室内场景曲率普遍偏小，室外场景因为物体边缘更锐利，曲率偏大。如果用一个固定阈值，室内可能提取不到足够的边缘点，室外可能提取太多。

我的做法是动态阈值：先算出当前帧所有点曲率的统计分布，取某个百分位数作为阈值。比如取 90 分位数作为边缘点的初始阈值，再根据数量上限做调整。这样能自适应不同场景。

平面点的阈值是曲率的最小值，逻辑类似。但平面点对阈值不那么敏感，因为平面区域的曲率普遍很小，取一个较小的固定值也能用。

实测调整时，我会把提取出来的特征点可视化出来，叠加在原始点云上，肉眼检查。边缘点应该落在墙角、物体轮廓上；平面点应该落在墙面、地面上。如果发现特征点跑到了不该在的地方，就回去检查曲率计算和剔除逻辑。

4.4 强度信息的辅助使用

很多激光雷达除了 xyz 还提供反射强度。强度信息在特征提取里可以起到辅助作用。比如路面上的车道线、墙面上的标识，强度会有明显变化，这些地方往往也是几何特征所在。把强度变化和曲率结合起来，能提高特征提取的准确性。

具体做法是：在计算曲率的同时，也算一个强度变化率。如果某个点曲率大且强度变化也大，那它作为边缘点的置信度就更高。反过来，如果曲率大但强度没变化，可能是噪声或遮挡，可以降权。

不过强度信息不是所有雷达都有，而且不同材质的反射特性差异很大，所以只能作为辅助，不能替代几何特征。我一般把强度作为一个加分项，而不是决定项。

5. 常见问题与排查技巧实录

5.1 特征点数量异常的原因排查

特征点数量突然变多或变少，是最常见的现象。变多通常是阈值太松或者剔除逻辑失效，导致噪声点被当成特征。变少可能是阈值太紧、点云质量差、或者拆线束出错导致有效点被丢弃。

排查顺序我一般是这样：先看原始点云是否正常，有没有大面积缺失或畸变；再看拆线束的结果，每条线束的点数是否合理；然后看曲率分布，是不是整体偏移了；最后看筛选逻辑，阈值和数量上限是否匹配当前场景。

有一次我遇到特征点数量骤降，查了半天发现是雷达的 ring 字段在某次固件更新后变了含义，导致拆线束全错。这种驱动层面的问题最隐蔽，只能靠对比原始数据和中间结果来定位。

5.2 建图“糊”与特征提取的关联分析

前面提到的玻璃幕墙场景，建图糊掉的根因是玻璃对激光的反射特性特殊，一部分光束穿透玻璃打到后面，一部分反射回来，导致点云在玻璃位置出现两层甚至多层。曲率计算时，这些层之间的点距离突变，产生大量假边缘点。这些假特征进入匹配后，把位姿估计带偏了。

解决办法是在特征提取阶段识别这种“多层”结构，把不可靠的点剔除。具体做法是检查同一方位角上是否有多个距离差异很大的点，如果有，只保留最近的那个，或者全部标记为不可靠。这个逻辑在标准 LOAM 里没有，需要自己加。

5.3 实时性瓶颈的定位与优化

scanRegistration 的计算量主要在三块：拆线束的遍历、曲率计算、特征筛选排序。拆线束和曲率计算是 O(n) 的，特征筛选因为要排序，是 O(n log n) 的。点数多的时候，排序可能成为瓶颈。

优化手段有几个：一是减少参与排序的点，在算曲率之前先用距离和强度做一次粗筛，把明显不可靠的点去掉；二是用部分排序而不是全排序，只需要 top N 的话用堆或者快速选择算法；三是并行化，每个线束独立处理，可以用多线程。

我实测下来，16 线雷达一帧大约 3 万点，单线程处理在 20 毫秒左右，满足 10Hz 实时性没问题。64 线雷达一帧十几万点，就得做优化了，不然会拖慢整个流水线。

5.4 常见问题速查表

提示：这张表是我自己排查时总结的，实际问题的原因往往不是单一的，可能是多个因素叠加。建议按“原始数据→中间结果→最终输出”的顺序逐层排查，不要跳步。

6. 我踩过的几个坑和一点个人心得

第一个坑是过度依赖默认参数。LOAM 源码里的参数是针对特定雷达调的，换个雷达直接跑，效果可能差很远。我一开始偷懒没调，结果特征提取一塌糊涂。后来老老实实按雷达参数重新算了一遍窗口大小、阈值、数量上限，效果立马不一样。参数这东西，宁可花时间调，也不要将就。

第二个坑是忽视点云的时间戳。机械式雷达一帧点云不是同一时刻采集的，每个点有自己的时间戳。如果机器人运动快，一帧内点云会有明显畸变。scanRegistration 本身不做去畸变，但特征提取时会受影响。我的做法是在特征提取之前先做一次简单的运动补偿，用里程计或 IMU 的短时预测把点云校正到同一时刻。这个预处理对特征质量提升很明显。

第三个坑是可视化不够。光看数字和日志很难发现问题，把特征点叠加到点云上、把曲率用颜色映射出来，一眼就能看出哪里不对。我现在养成了习惯，每调一个参数就可视化一次，比看日志快多了。

最后分享一个小技巧：如果你的场景里特征特别稀疏（比如空旷大厅），可以适当降低边缘点的曲率阈值，同时增大平面点的数量上限，让匹配有足够的约束。反过来，特征密集的场景（比如杂乱的室内），就收紧阈值、减少数量，避免冗余和冲突。这个平衡点没有标准答案，只能根据实际数据试出来。