毫米波雷达点云去噪算法对比:从统计滤波到深度学习方法实测
统计滤波在低信噪比场景集体失效上周拿到某厂商4D毫米波雷达在雨天高速采集的数据,6000帧点云里噪点占比冲到31%,传统统计滤波几乎派不上用场。PCL库自带的StatisticalOutlierRem

统计滤波在低信噪比场景集体失效
上周拿到某厂商4D毫米波雷达在雨天高速采集的毫米数据,6000帧点云里噪点占比冲到31%,波雷比传统统计滤波几乎派不上用场。达点到深度学PCL库自带的云去StatisticalOutlierRemoval在k=20时误删了12%的有效目标点,角度分辨率本来就差,噪算删完连护栏轮廓都碎了。法对法实半径滤波更离谱,统计0.8米搜邻半径下,滤波间距不足1米的习方两个行人直接被合并成一个团块。这里有个毫米波雷达点云去噪技术注意事项:雷达点云密度随距离呈平方衰减,毫米固定参数的波雷比滤波在近处过杀、远处漏杀,达点到深度学必须按距离分段调参。云去
自适应体素与强度补偿的噪算实测差距
用同一批数据跑自适应体素降采样,XYZ三个方向分辨率分别设0.25、法对法实0.25、0.4米,点云从平均每帧2100点压到680点,噪点残留率从31%降到9.4%。这不是什么新东西,关键是体素内按多普勒速度和RCS加权取质心,动态目标的拖尾点被自然抑制。之前有人分享毫米波雷达点云去噪技术经验,说单纯降采样不如先做强度阈值分割——实测把RCS低于-12dBsm的点先剔除,再进体素,噪点残留能再降3个百分点。但要注意贴片雷达对不同材质反射差异巨大,金属护栏和积水路面在强度上只差2到3dB,阈值切太狠会把低反射目标一起带走。
深度学习方法离量产还差什么
PointNet++做雷达点云语义分割,在自建数据集上能把噪点分类准确率做到94.7%,但换到另一个厂家的雷达、换到雪天场景,准确率直接掉到81%。问题出在标注一致性:雷达噪点本身没有确实真值,不同标注员对同一团散点的判断分歧率高达22%。更现实的约束是算力,车载域控留给点云预处理的预算通常不超过5TOPS,一个小型PointNet推理单帧需要9ms,而统计滤波只要0.3ms。毫米波雷达点云去噪技术方法和深度学习之间,目前比较务实的折中方案是用轻量MLP跑在线学习,把每帧的噪点模式当回归任务,在嵌入式平台实测单帧2.1ms,误删率比纯统计方法低6个百分点。
工程上给个判断:2025年底之前,量产车上大规模用深度学习去噪雷达点云的概率不大。真正有效的路线还是传统方法加距离自适应参数表,再叠一层基于跟踪器的生命周期管理——连续三帧未关联上的点标记为噪点候选,第五帧仍未关联才删除。这条路线不性感,但确定性高,调参过程可解释。那些发论文的深度模型,等算力预算翻个三倍再说。