摘   要 ：针对自动驾驶环境感知的高精度需求,本文提出了一种基于激光雷达点云的高效三维重建系统。通过分析点云稀疏性与噪声特征,系统采用“数据采集—预处理—重建—可视化”架构,重点优化双边滤波去噪与高斯溅射重建算法,并引入CUDA 加速以提升实时性。在 KITTI 与 Waymo 数据集上的实验表明,该系统在重建精度（误差≤ 0.08m）、处理速度（单帧≤ 0.3s）和内存占用（≤ 2.5GB）方面均优于泊松重建与 NeRF 方法,能够有效支持自动驾驶路径规划与障碍物检测任务。

       关键词 ：自动驾驶 ；激光雷达 ；点云数据 ；三维重建 ；实时优化

       0  引言

       自动驾驶技术的核心在于环境感知与环境决策,而激光雷达凭借其高精度、抗干扰性强的优势,成为自动驾驶技术获取三维环境信息的关键传感器 [1]。然而,激光雷达输出的点云数据存在稀疏性、噪声干扰及空间非均匀分布等问题,传统三维重建方法难以满足自动驾驶对“高精度 + 低延迟”的双重需求。因此,根据目前对自动驾驶技术的要求优化设计激光雷达点云数据的三维重建软件系统具有现实意义。

       1  相关技术与方法概述

       1.1  激光雷达点云数据特性

       激光雷达基于飞行时间法（ToF）原理, 通过测量光脉冲的飞行时间实现对环境中目标距离的计算,这也是其主要的工作目标之一 [2]。激光雷达对目标距离的计算公式如式（1）所示 ：

       式中, d 为目标距离 ；c 为光速 ；∆t 为激光发射与接收的时间差。而点云生成需将极坐标 (d,α,β) 转换为笛卡尔坐标 (x,y,z),如式（2）所示 ：

       在实际应用中,激光雷达的性能,如测距精度、最大最小测距范围等直接受到时间测量精度和光速稳定性的影响。正是基于这些基本原理,激光雷达才能以极高的频率发出激光并完成距离计算,最终生成用于感知环境的详细的三维点云数据 [3]。

       1.2  三维重建技术

       当前三维重建方法分为两类。一是基于几何的重建。泊松重建通过求解泊松方程生成闭合表面,但依赖密集点云,稀疏场景下易出现空洞 ；AlphaShapes 通过控制 Alpha 参数生成边界,却对噪声敏感 [4]。

       二是基于深度学习的重建。主要包括神经辐射场（NeRF）和 3D 高斯溅射。NeRF 通过多层感知机（MLP）建模辐射场,精度高。在计算复杂度达到 O(N3)（N 为体素分辨率）时,高斯溅射会将点云转换为 3D 高斯分布,通过光栅化投影生成模型,将复杂度降至 O(M),更适配实时场景。

       2  软件系统架构设计

       2.1  系统整体架构

       本文系统采用分层架构, 通过 ROS 消息队列实现模块通信,核心架构如图 1 所示。

       数据采集模块通过 Velodyne ROS 驱动获取原始点云,并同步 IMU 数据进行运动畸变校正。数据预处理模块对点云依次执行双边滤波去噪、体素降采样及从激光雷达到世界坐标系的坐标转换,输出洁净点云数据 [5]。处理后的数据由三维重建模块基于高斯溅射算法进行实时渲染,生成并动态更新三维模型。可视化与交互模块则通过 PCLVisualizer 展示模型, 提供缩放、旋转及感兴趣区域选取等功能。整个系统由性能优化模块提供CUDA 并行计算接口与动态内存池支持,显著提升了运行效率。

       2.2  核心模块设计

       一是数据预处理模块。首先,通过双边滤波去噪,综合考虑像素间的空间距离与灰度相似性,如式（3）所示 ：

       式中, σS=0.1m（空间标准差） ；σr=0.05m（灰度标准差）。该算法能够有效去除 90% 以上噪声,同时避免边缘模糊。其次, 采用 0.05m×0.05m×0.05m 体素降采样,取体素重心为代表点,减少 50% 数据量的同时保留形状特征。最后,结合 IMU 与 GPS 信息,完成坐标转换,如式（4）所示 ：

       式 中, R 为 3×3 旋转矩阵 ；T 为 3×1 平移 向量,由卡尔曼滤波估计获取。

       二是三维重建模块。采用高斯溅射算法,核心步骤如下。（1）高斯初始化。将预处理点云转换为 3D 高斯,均值 μ为点云坐标,颜色 c 由反射强度映射,协方差矩阵 Σ（式（5））由局部曲率估计, σx=σy=σz=0.075m （体素大小 1.5 倍）。（2）投影光栅化。通过式（6）将3D 高斯投影至 2D 图像平面, (u,v) 为像素坐标, 为相机内参, (cx,cy) 为图像中心点。（3）模型优化。最小化投影图像与参考图像的均方误差（式（7））,迭代5 ～ 8 次使 MSE ≤ 0.02。

       为提升实时性,采用 CUDA 优化投影步骤,核心代码（CUDAC++）如下 ：

       __global__ void gaussianKernel(Gaussian* g, int n, float* img, int H, int W, float fx, float fy, float cx, float cy) {

       int i = blockIdx.x * blockDim.x + threadIdx.x; if (i >= n) return;

       Gaussian gauss = g[i];

       int u = __float2int_rn(fx * gauss.mu.x / gauss. mu.z + cx);

       int v = __float2int_rn(fy * gauss.mu.y / gauss. mu.z + cy);

       if (u >= 0 && u < W && v >= 0 && v < H) {

       atomicAdd(&img[v * W + u], gauss.color.r);

       }

       三是可视化与交互模块。基于 PCL 实现三种展示模式。（1）点云模式。颜色编码 z 轴高度,直观判断预处理效果。（2）网格模式。展示高斯溅射生成的网格模型,支持纹理映射。（3）融合模式。叠加激光雷达点云与相机图像,验证重建一致性。交互功能包括模型缩放 /旋转 / 平移、ROI 选取、实时性能监控等。

       3  实验与结果分析

       3.1  实验数据集

       研究选用 KITTI Odometry 和 Waymo Open Dataset两个公开自动驾驶数据集进行系统验证。

       一是 KITTI Odometry 数据集, 使用VelodyneVLP-16 （16 线）激光雷达采集,覆盖高速公路和城市道路场景,点云密度约为 150 点 / 平方米。该数据集提供真值轨迹和 3D 边界框等标注信息。实验选取 Sequence05 作为测试集,包含 1000 帧数据, 重点反映系统在高速场景下的性能。

       二是 Waymo Open Dataset, 采用 Waymo 自研的128 线激光雷达,捕捉复杂城市环境,点云密度高达约1200 点 / 平方米,并包含动态目标标注和真值深度图。测试部分使用 Segment1001, 共 500 帧数据, 主要针对交叉路口等复杂场景进行验证。

       3.2  实验设置

       为开展实验验证, 本研究采用 Intel Xeon W-2245 处理器、NVIDIA RTX 3090 显卡与 64GB 内存组成硬件平台,并基于 Ubuntu 20.04 系统集成 PCL 1.12、CUDA 11.4 及ROS Noetic 构建软件环境。在对比方法方面,选取基于 PCL 实现的泊松重建与基于 PyTorch 实现的 NeRF （分辨率 256×256） 作为基线方 法, 并以重建精度（ADE）、单帧运行时间与峰值内存占用作为核心评估指标,以全面衡量系统性能。

       3.3  实验结果

       实验数据如表 1 所示。

       根据表 1 可知,在 KITTI 数据集上,该系统的 ADE （平均位移误差）为 0.07 米,相比 NeRF 方法提升了22.2% ；运行时间仅为 0.28s/ 帧, 效率提升达 87.8% ；内存占用为 2.4 GB, 降低 58.6%。在 Waymo 数据集上,该系统同样表现优异, ADE 为 0.06 米（提升 25.0%）,运行时间为 0.32s/ 帧（提升 88.6%）, 内存占用为 2.5 GB（降低 60.0%）。实验结果表明,该系统在保持较高重建精度的同时,大幅提升了计算效率并降低了资源消耗,具有较强的实用性和可扩展性。

       4  结语

       本文设计的激光雷达点云三维重建系统,通过“双边滤波 + 体素降采样”预处理、优化高斯溅射重建、 CUDA 并行加速,实现了高精度（ADE ≤ 0.07m）、实时性（单帧≤ 0.32s）、低资源消耗（内存≤ 2.5GB）的性能目标。实验与案例验证表明,系统可支撑自动驾驶路径规划、障碍物检测等核心任务, 为 L4 级自动驾驶环境感知提供可靠解决方案。未来通过动态目标预测、多传感器融合与嵌入式优化,系统鲁棒性与实用性将进一步提升。

参考文献

[1] 杜德慧,叶振,郑成行,等.面向自动驾驶系统的场景建模及边缘关键场景生成[J].软件学报,2025,36(8):3512-3530.

[2] 黄玉琅.自动驾驶汽车环境感知与决策算法研究[J].汽车维修技师,2025(6):12-14.

[3] 劳奕臻,张宇,薛逸飞,等.复杂玻璃环境下地面激光雷达点云去噪方法[J].城市勘测,2025(3):1-5.

[4] 丁潇颖,李玮轲,岳晓鹏,等.基于图像三维重建和多准则决策的城市社区绿色生产性更新方法[J].科学技术与工程,2025,25 (17):7293-7302.

[5] 刘泽禹,张慧,李浥东.面向自动驾驶的感知决策一体化综述[J].智能科学与技术学报,2025,7(1):4-20.