标签： #自动驾驶 #LiDAR #点云处理 #计算机视觉 #算法
引言：从一堆乱码到精准识别
在自动驾驶的世界里，激光雷达（LiDAR）被称为“上帝之眼”。但你知道吗？雷达吐出的原始数据，其实只是一堆每秒数十万个的杂乱三维坐标点（Point Cloud）。
机器是如何从这堆“乱码”中，精准地认出前面的车、路边的树和横穿马路的行人的？
今天，我们将避开复杂的深度学习黑盒，带你深入底层，拆解一套经典的LiDAR 传统感知算法 Pipeline。从点云预处理到最终的目标框生成，这篇文章将帮你构建完整的感知知识体系！
第一阶段：瘦身减负 —— 点云预处理
原始点云数据量巨大且包含大量背景噪声，直接处理会把计算单元（CPU/GPU）累死。第一步，必须“去粗取精”。
1. ROI 区域分割
“只看该看的地方”
痛点：雷达扫描范围可能达200米，但自动驾驶最关注的是车辆周围几十米的核心区域。
算法原理：利用直通滤波（PassThrough Filter），以雷达坐标系为中心，设定X、Y、Z轴的阈值范围。
效果：直接砍掉远处和高空的无效背景点，计算量瞬间下降50%+。
2. 体素降采样
“从高清图变像素风”
原理：将三维空间切割成一个个微小的立方体（Voxel/体素）。
如果一个体素里有50个点，我们不处理50个点，而是计算它们的重心（Centroid）。
用这唯一
