点云组帧
感知算法人员在完成点云的运动畸变补偿后，会发现一个问题：激光雷达发送的点云数据包中的点云数量其实非常少，完全无法用来进行后续感知和定位层面的处理工作。
此时，感知算法人员就需要对这些数据包进行点云组帧的处理。
1. 为什么需要点云组帧？
激光雷达是逐点输出数据的，不同于相机一次性获取完整图像，LiDAR 通过旋转扫描环境，因此点云需要累积和组织。
数据包需要时间同步，不同 LiDAR 可能有不同的扫描模式（逐线扫描、逐点扫描），如果不进行同步，可能会出现错帧或数据丢失。
运动补偿（去畸变），当 LiDAR 安装在运动平台（如无人车、机器人）上，点云数据会因为运动而产生畸变，需配合 IMU 进行修正。
多雷达数据融合，在多传感器 SLAM（Simultaneous Localization and Mapping）系统中，可能需要将多个雷达的点云数据合并。
2. 组帧的方法
(1) 按时间窗口组帧
适用于：机械式 LiDAR（如 Velodyne 系列）
以 某个时间间隔（如 100ms） 或 一圈完整扫描（360°） 作为一帧。
需要结合 LiDAR 旋转角度计算帧的起止点。
示例：
Velodyne-16 激光雷达，每秒 10 圈，每圈 100ms，数据包时间同步后按 100ms 组帧。
Livox LiDAR（非旋转式）可以设置时间窗口 50ms 组帧。
(2) 按角度范围组帧
适用于：旋转式 LiDAR
根据激光雷达的 方位角（Azimuth） 进行分割，例如每转 360° 形成一帧。
以 0° ~ 360° 为完整一帧，当扫描角度回到 0° 附近，则开始新一帧。
外参变化
1. 为什么需要外参变换？
在自动驾驶系统中，激光雷达坐标系 仅适用于 LiDAR 自身的数据，而车辆坐标系 是整个车辆感知、决策、控制的基准。因此，所有传感器（LiDAR、摄像头、毫米波雷达）都需要 转换到车辆坐标系，以实现数据融合。
示例：
LiDAR 采集的点云 在其本地坐标系中表示（单位：米）。
车辆坐标系 是以车辆的质心（通常是后轴中心）为原点。
摄像头坐标系 也需要与车辆坐标系对齐，以进行多传感器融合。
2. 变换模型
滤波处理
点云滤波是自动驾驶和 3D 视觉任务中的关键步骤，它用于去除噪声、降低数据量、增强点云质量，以提高后续感知算法的准确性和计算效率。常见的点云滤波方法包括 体素滤波（Voxel Grid Filter）、统计滤波（Statistical Outlier Removal, SOR）、半径滤波（Radius Outlier Removal, ROR）、均值/中值滤波 等。