自动驾驶激光雷达点云畸变的成因与处理机制
在激光雷达进行单圈扫描的百余毫秒内，车辆始终处于动态运行状态，包括平移和旋转。这意味着，激光雷达在采集起始点与结束点时，传感器所处的空间姿态已发生变化。若未对采集的点云数据进行运动补偿，直接将其投影到统一坐标系中，将产生显著的几何畸变，这一现象在行业内被定义为“自运动畸变”。
未经过有效去畸变处理的点云数据会导致环境感知失真。原本笔直的道路边沿可能呈现为曲线，垂直的路灯可能会出现倾斜，甚至路边静止车辆也可能被拉伸成不自然的形状。这种畸变不仅干扰障碍物检测与分类，还可能引发路径规划的偏差，进而威胁自动驾驶系统的安全性与准确性。
激光雷达扫描机制与运动畸变的物理原理
理解去畸变的必要性，需从激光雷达的扫描原理入手。机械旋转式激光雷达依赖内部电机驱动扫描模块完成360度的环境扫描。以常见的10Hz扫描频率为例，一次完整扫描耗时约100毫秒。在这一周期中，激光束以极高频率发射并接收，每次返回的数据记录了该时刻传感器中心点的位置与角度。
由于车辆持续运动，激光雷达的坐标原点在每一束激光采集时并非固定。这种现象可类比于在高速行驶的列车中绘制窗外景物，若绘制速度跟不上列车移动，所画出的景象将出现明显的形变。
从计算机视觉角度看，激光雷达的点云采集类似于“滚动快门”效应。每一激光点相当于一个微秒级别的瞬时采样，将这些不同时间点的采样强制归一到同一帧中，本质上忽略了时间的连续性，从而引入运动畸变。
自运动畸变的大小与车辆的速度、角速度以及扫描频率密切相关。例如，在高速公路上，若车辆以30米/秒的速度行驶，100毫秒内将前进3米。若不进行空间对齐，首末点的偏差可达数米，这远远超出了自动驾驶系统所需厘米级精度的容忍范围。
此外，环境中移动目标也会影响点云质量。当激光雷达扫描一辆高速迎面而来的车辆时，由于目标物也在移动，其表面采样点将受到相对运动的影响，导致几何轮廓压缩或拉伸，这种“动态物体畸变”可能引发物体识别错误。
当前主流去畸变技术主要针对自运动畸变，而对动态物体的实时补偿仍处于研究阶段。在多雷达系统中，若传感器间运动补偿不同步，融合后的点云可能出现重影和分层，严重影响环境建图与定位。
时间同步与运动轨迹重建的技术支撑
点云去畸变的核心在于“空间对齐”，而实现这一目标的前提是拥有高精度时间同步。在自动驾驶系统中，各传感器通常使用独立时钟，若不统一校准，将难以将激光点与车辆位姿匹配。
为解决此问题，系统通常引入全球导航卫星系统（GNSS）作为时间基准。GNSS通过每秒脉冲信号（PPS）同步激光雷达与主控平台的时间，确保每一激光点都携带可追溯至协调世界时（UTC）的时间戳。
随着车载以太网技术的发展，精密时间协议（PTP）逐渐成为主流。PTP协议可在无物理连线的情况下，实现亚微秒级的网络同步，为传感器融合提供一致的时间基准。激光雷达内部每个扫描线甚至单个点都会被打上精确的时间偏移量，用于后续处理。
在获得时间戳后，系统还需重建车辆在扫描周期内的运动轨迹。惯性导航系统（INS）通常提供百Hz级的位姿输出，但在两次输出之间车辆仍会发生位移。为获取更精确的位姿，需通过插值算法“补全”轨迹。
线性插值适用于匀速运动场景，但在转弯或颠簸情况下误差较大。为提升精度，高性能系统通常采用基于四元数的球面线性插值（SLERP），以保持旋转过程中的平滑性并避免正交性退化。
更先进的算法还引入连续时间轨迹估计，通过B样条或高斯过程建模车辆运动，实现对瞬时速度与加速度的精确建模，从而增强系统在复杂动态环境中的适应性。
点云补偿算法的发展与演进
早期去畸变算法较为简单，仅根据帧首末位姿对点云进行线性补偿。这种方式虽计算轻便，但在非匀速运动下误差显著。
随着感知精度的提升，点对点补偿成为主流。该方法为每个激光点赋予时间戳，并通过插值获取其对应的瞬时变换矩阵，从而将点云统一到参考坐标系中。
LOAM及其优化版本LeGO-LOAM提出了一种闭环处理机制，将去畸变与里程计融合，通过特征匹配反推当前位姿。LeGO-LOAM特别针对地面点进行分割和滤波，提高了复杂地形下的稳定性。
FAST-LIO2等算法进一步引入反向传播补偿机制，从帧尾位姿逆向计算各采样点的偏移，可有效处理如颠簸等非线性运动。该方法省去了特征提取步骤，直接使用原始点云进行匹配，提升了系统在低特征环境中的性能。
从数学角度看，去畸变是一次复杂的坐标变换。对于任一激光点，需通过外参矩阵和瞬时位姿矩阵进行多坐标系转换，以保证旋转部分的正交性。采用四元数或李代数可有效避免奇异问题。
去畸变对未来感知系统的影响
去畸变的完成标志着感知流程中原始数据准备的结束。研究表明，点云畸变会干扰深度学习模型的输入，导致目标检测性能下降，甚至出现漏检。
去畸变不仅修复了点云的几何结构，还为后续语义理解提供了物理一致性基础。在多传感器融合架构中，去畸变后的点云能与图像信息实现更精确的空间对齐，增强对远距离目标的识别能力。
某些研究还尝试利用点云畸变特征反推物体运动状态。通过分析激光点的拉伸模式，系统可在不依赖多帧跟踪的情况下估算目标速度，为4D激光雷达技术奠定了基础。
随着固态激光雷达的发展，去畸变策略也面临新的挑战。虽然自运动畸变减少，但非重复扫描模式对空间标定提出了更高要求。
未来，去畸变算法将趋于模块化，能够根据雷达特性自动选择补偿模型。在极端环境下，如GNSS信号中断时，如何通过激光点云的时空相关性维持轨迹连续性，将成为实现全天候自动驾驶的关键。