1. 从泊车场景说起：AVP-Loc到底在解决什么问题

自动代客泊车（Automated Valet Parking，AVP）这个场景，说白了就是让车自己去找车位、自己停进去，全程不需要人坐在驾驶位上。听起来很美好，但真正做过这个方向的人都知道，最难的其实不是“停进去”这个动作，而是“车怎么知道自己在哪”。地下车库没有GPS信号，光照条件差，车道线磨损严重，柱子长得都差不多，相邻车位之间的视觉特征高度重复——这些条件叠加在一起，对定位系统提出的要求非常苛刻。

前深动科技（后被小米收购，团队并入小米智驾体系）的AVP-Loc方案，就是专门针对这类场景设计的一套定位系统。它的核心任务是在地下车库这种结构化但视觉退化严重的环境中，提供稳定、实时、厘米级到分米级的车辆位姿估计。这套方案里涉及几个关键技术模块：PCA（主成分分析）用于点云或特征的主方向提取与降维，ICP（迭代最近点）用于帧间点云配准，ESKF（误差状态卡尔曼滤波）用于多传感器融合与状态估计，BEV（鸟瞰图）视角用于统一表达和感知融合。

如果你正在做泊车定位、低速自动驾驶或者地下车库建图相关的工作，这套方案里的很多设计思路是可以直接借鉴的。哪怕你不做AVP，只要涉及激光雷达或视觉在退化环境下的定位问题，PCA降维、ICP配准、ESKF融合这三板斧都是绕不开的基本功。接下来我会把这套方案的核心逻辑拆开，结合我自己的实操经验，把每个模块的关键细节和踩坑点讲清楚。

2. 整体方案架构与设计取舍

2.1 为什么选择“BEV+点云配准+滤波融合”这条路线

AVP-Loc的整体架构可以理解为三层：前端负责从传感器数据中提取可用于配准的特征表达，中端做帧间或帧与地图之间的配准来获得相对位姿增量，后端用滤波器把配准结果和IMU、轮速计等数据进行融合，输出平滑且鲁棒的位姿估计。

选择BEV视角作为统一表达，核心原因是地下车库的场景特点决定的。在地面道路上，前向视角的视觉特征丰富，车道线、交通标志、车辆轮廓都能提供很好的约束。但在地下车库，前向视角看到的往往是灰暗的墙壁、重复的柱子和地面反光，特征匹配极易出错。BEV视角把感知范围投影到地面平面上，柱子的位置、车位的边界、通道的走向在这个视角下反而变得清晰且稳定。你可以把它想象成从“站在车里往外看”变成“站在车顶正上方往下看”，后者对结构化环境的表达能力明显更强。

点云配准选择ICP及其变体而不是直接做端到端的位姿回归，是因为ICP在结构化场景下的精度和可解释性更好。端到端方法虽然在某些数据集上表现不错，但一旦场景分布发生变化，泛化能力就会打折扣。ICP的好处是你知道它在做什么——它就是在找两组点之间的最优刚体变换，出了问题也容易排查。

ESKF作为后端融合框架，相比EKF（扩展卡尔曼滤波）的优势在于误差状态参数化。简单说，ESKF把状态分成“名义状态”和“误差状态”两部分，名义状态用非线性模型传播，误差状态用线性模型更新。这样做的好处是误差状态始终在小量范围内，线性化误差小，数值稳定性好。对于AVP这种需要长时间稳定运行的系统来说，这一点很关键。

2.2 PCA在其中的角色：降维只是表象，主方向提取才是核心

很多人看到PCA第一反应就是“降维”，但在AVP-Loc里，PCA的作用远不止降维。它更重要的角色是提取点云或特征的主方向，为后续的配准和表达提供几何约束。

举个例子，地下车库的柱子点云投影到BEV平面后，大致是一个矩形或椭圆形的点簇。这个点簇的主方向（也就是PCA分解后的第一主成分方向）就代表了柱子的朝向。如果你能把每个柱子的朝向提取出来，那么在配准的时候就可以利用这些朝向信息做约束，而不是盲目地做点到点匹配。这就像你拼图的时候，先看每块拼图的边缘方向，再去匹配，效率比一块一块试要高得多。

PCA的计算过程本身不复杂：对点云去中心化，计算协方差矩阵，做特征值分解，取最大特征值对应的特征向量就是第一主方向。但在实际工程中，有几个细节需要注意。一是点云的数量和分布会影响PCA的稳定性，如果某个柱子只被扫到几个点，算出来的主方向可能完全不可靠。二是需要判断点云是否近似平面分布，如果是平面分布，那么第三主方向（法向量方向）才有意义；如果是线状分布，那么第一主方向才是稳定的。这些判断逻辑在代码里需要显式处理。

2.3 ICP的变体选择与配准策略

ICP的基本思想很简单：给定两组点云，找到一组旋转和平移，使得两组点云之间的距离最小。但标准ICP有几个众所周知的缺点：对初始位姿敏感、容易陷入局部最优、在点云密度不均匀时收敛慢。

在AVP-Loc里，实际使用的往往是ICP的变体。常见的选择包括点到面ICP（point-to-plane ICP）和基于特征的ICP。点到面ICP利用目标点云的法向量信息，收敛速度比点到点ICP快，在结构化场景下精度也更好。基于特征的ICP则是先提取关键点或特征描述子，再做匹配，适合点云数量大、需要降采样的场景。

配准策略上，通常采用“粗配准+精配准”的两级方案。粗配准用PCA提取的主方向做初始对齐，或者用轮速计和IMU的积分结果作为初始猜测。精配准再用ICP做迭代优化。这样做的好处是既保证了收敛速度，又保证了最终精度。

3. 核心模块拆解与实操要点

3.1 PCA主成分分析在点云处理中的具体实现

先讲PCA在点云处理中的落地细节。假设你从激光雷达或者深度相机拿到了一帧点云，已经投影到了BEV平面，现在要对某个局部区域做PCA分析。

第一步是确定分析的范围。你不能对整帧点云做PCA，那样算出来的主方向没有意义。通常的做法是按网格划分BEV平面，每个网格内的点云单独做PCA。网格大小的选择需要权衡：太小了点数不够，PCA不稳定；太大了会混合多个结构，主方向不明确。根据我的经验，在地下车库场景下，网格边长取0.5米到1米比较合适。

第二步是去中心化。计算网格内所有点的质心，然后每个点减去质心。这一步看起来简单，但如果你忘了做，后面算出来的协方差矩阵就是错的。

第三步是计算协方差矩阵。对于三维点云，协方差矩阵是3x3的对称矩阵。这里有个技巧：如果点云已经投影到BEV平面，你可以只计算2x2的协方差矩阵，减少计算量。

第四步是特征值分解。对于3x3对称矩阵，可以用解析法求特征值，比通用的数值方法快很多。特征值从大到小排列，对应的特征向量就是第一、第二、第三主方向。

第五步是判断点云的几何类型。如果三个特征值差不多大，说明点云是球状分布，没有明显主方向；如果第一特征值远大于另外两个，说明是线状分布，第一主方向可靠；如果第一和第二特征值差不多大且都远大于第三特征值，说明是面状分布，第三主方向（法向量）可靠。

import numpy as np def pca_analysis(points): # points: Nx3 array centroid = np.mean(points, axis=0) centered = points - centroid cov = np.cov(centered.T) eigenvalues, eigenvectors = np.linalg.eigh(cov) # eigh returns ascending order, reverse it idx = np.argsort(eigenvalues)[::-1] eigenvalues = eigenvalues[idx] eigenvectors = eigenvectors[:, idx] # classify geometry type ratio_12 = eigenvalues[1] / eigenvalues[0] if eigenvalues[0] > 1e-6 else 0 ratio_23 = eigenvalues[2] / eigenvalues[1] if eigenvalues[1] > 1e-6 else 0 if ratio_12 < 0.3: geom_type = 'linear' elif ratio_23 < 0.3: geom_type = 'planar' else: geom_type = 'spherical' return eigenvalues, eigenvectors, geom_type

这段代码是我在实际项目中常用的版本，阈值0.3是根据多个地下车库数据集调出来的经验值。不同场景可能需要微调，但大体思路是一致的。

注意：PCA对离群点非常敏感。如果网格里混入了几个噪声点，算出来的主方向可能完全偏掉。在做PCA之前，建议先做一遍统计滤波或者半径滤波，把明显的离群点去掉。

3.2 ICP配准的工程化实现与加速技巧

ICP的工程实现有几个关键点：对应点搜索、变换估计、迭代终止条件。

对应点搜索是ICP最耗时的环节。暴力搜索是O(N*M)的复杂度，对于大规模点云完全不可接受。实际工程中必须用KD-Tree或者Octree做加速。PCL库里的KDTreeFLANN是常用的选择，但如果你的点云是投影到BEV平面的2D点，用2D的KD-Tree会更快。

变换估计对于点到点ICP，就是求解一个最小二乘问题，可以用SVD分解直接得到闭式解。对于点到面ICP，需要求解一个非线性最小二乘问题，通常用高斯-牛顿法或者LM算法迭代求解。

迭代终止条件通常有三个：变换增量小于阈值、对应点距离均值小于阈值、达到最大迭代次数。这三个条件满足任意一个就停止。根据我的经验，变换增量阈值取1e-6，距离均值阈值取0.01米，最大迭代次数取50，这组参数在地下车库场景下比较平衡。

// 点到面ICP的核心迭代逻辑（伪代码） Eigen::Matrix4f icp_point_to_plane( const PointCloud& source, const PointCloud& target, const PointCloud& target_normals, Eigen::Matrix4f initial_guess, int max_iter = 50, float trans_eps = 1e-6, float dist_eps = 0.01) { Eigen::Matrix4f T = initial_guess; for (int iter = 0; iter < max_iter; ++iter) { // 1. transform source points PointCloud transformed = transformPointCloud(source, T); // 2. find correspondences using KD-Tree std::vector<Correspondence> correspondences; for (auto& pt : transformed) { int idx = kdtree.nearestSearch(pt); if (idx >= 0 && distance(pt, target[idx]) < max_correspondence_dist) { correspondences.push_back({pt, target[idx], target_normals[idx]}); } } // 3. build linear system and solve Eigen::Matrix<float, 6, 6> H = Eigen::Matrix<float, 6, 6>::Zero(); Eigen::Matrix<float, 6, 1> b = Eigen::Matrix<float, 6, 1>::Zero(); for (auto& corr : correspondences) { Eigen::Vector3f residual = corr.source - corr.target; float dist = residual.dot(corr.normal); Eigen::Matrix<float, 1, 6> J; J.block<1,3>(0,0) = corr.normal.transpose(); J.block<1,3>(0,3) = (corr.source.cross(corr.normal)).transpose(); H += J.transpose() * J; b += J.transpose() * (-dist); } Eigen::Matrix<float, 6, 1> delta = H.ldlt().solve(b); T = T * se3Exp(delta); // 4. check convergence if (delta.norm() < trans_eps) break; } return T; }

这段代码展示了点到面ICP的核心逻辑。实际工程中还需要处理很多边界情况，比如对应点数量太少时直接返回失败、H矩阵接近奇异时加阻尼等。

实操心得：ICP的初始位姿非常关键。如果初始位姿偏差太大，ICP很容易收敛到错误的局部最优。我的做法是用轮速计和IMU做短时间积分，给出一个初始猜测，再用PCA提取的主方向做一次粗对齐，最后才跑ICP。这样收敛率和精度都会好很多。

3.3 ESKF融合框架的搭建与调参

ESKF的核心思想是把状态分成名义状态和误差状态。名义状态用非线性运动模型传播，误差状态用线性模型做卡尔曼更新。这样做的好处是误差状态始终在小量范围内，线性化误差小。

在AVP-Loc里，状态向量通常包括：位置、速度、姿态、陀螺仪零偏、加速度计零偏。如果做的是2D定位，可以简化为位置、航向角、速度。误差状态向量就是这些量的误差。

预测步骤用IMU和轮速计的数据做积分。这里需要注意的是，IMU的积分频率通常远高于轮速计，所以要做时间对齐。我的做法是用IMU做高频积分，轮速计做低频更新，中间用插值对齐时间戳。

更新步骤用ICP的配准结果作为观测。ICP输出的相对位姿可以转换成位置和姿态的观测，然后计算残差和雅可比矩阵，做卡尔曼更新。

// ESKF预测步骤的核心逻辑 void ESKF::predict(const IMUData& imu, double dt) { // nominal state propagation nominal_state.p += nominal_state.v * dt + 0.5 * (R * (imu.acc - ba)) * dt * dt; nominal_state.v += (R * (imu.acc - ba)) * dt; nominal_state.R = nominal_state.R * Exp((imu.gyro - bg) * dt); // error state transition matrix F = Eigen::Matrix<double, 15, 15>::Identity(); F.block<3,3>(0,3) = Eigen::Matrix3d::Identity() * dt; F.block<3,3>(3,6) = -R * skew(imu.acc - ba) * dt; F.block<3,3>(3,9) = -R * dt; F.block<3,3>(6,6) = Exp(-(imu.gyro - bg) * dt); F.block<3,3>(6,12) = -Eigen::Matrix3d::Identity() * dt; // covariance propagation P = F * P * F.transpose() + G * Q * G.transpose(); }

调参方面，Q矩阵（过程噪声）和R矩阵（观测噪声）的设置直接影响融合效果。Q矩阵太大，滤波器会过度信任观测，位姿输出会抖动；Q矩阵太小，滤波器会过度信任预测，位姿输出会滞后。我的经验是先用Allan方差分析IMU的噪声特性，给出Q矩阵的初始值，再根据实际跑车数据微调。R矩阵则根据ICP的配准残差统计来设定。

3.4 BEV视角下的特征表达与地图构建

BEV视角在AVP-Loc里承担两个角色：一是作为感知和配准的统一表达空间，二是作为地图构建的基础坐标系。

在BEV视角下，地面被划分成规则网格，每个网格存储该位置的点云统计信息，比如高度均值、高度方差、反射强度均值等。这些统计信息构成了BEV特征图。配准的时候，当前帧的BEV特征图和地图的BEV特征图做匹配，而不是直接做点云匹配。这样做的好处是数据量小、匹配速度快、对点云密度变化不敏感。

地图构建方面，通常采用“关键帧+子图”的结构。车辆行驶过程中，每隔一定距离或角度取一个关键帧，关键帧的BEV特征图存入地图。回环检测用词袋模型或者扫描上下文（Scan Context）方法，检测到回环后做全局优化，消除累积误差。

注意：BEV网格的分辨率选择需要权衡。分辨率太高，内存占用大，匹配慢；分辨率太低，特征表达粗糙，匹配精度差。地下车库场景下，5厘米到10厘米的分辨率是比较合适的选择。

4. 完整实操流程：从数据采集到定位输出

4.1 数据采集与预处理

实操的第一步是数据采集。需要的传感器包括：激光雷达（或深度相机）、IMU、轮速计。如果做视觉BEV，还需要环视相机。采集的时候要注意时间同步，硬件触发同步是最好的，软件同步需要做时间戳对齐。

预处理包括：点云去畸变、地面分割、ROI裁剪。点云去畸变是因为激光雷达在旋转过程中车辆在运动，每个点的采集时刻不同，需要用IMU数据做运动补偿。地面分割是为了把地面点和非地面点分开，地面点用于构建BEV特征图，非地面点用于提取柱子和墙壁等结构。ROI裁剪是只保留车辆周围一定范围内的点云，减少计算量。

# 点云去畸变的简化实现 def undistort_pointcloud(points, timestamps, imu_poses): undistorted = [] for pt, ts in zip(points, timestamps): # find nearest imu pose pose = interpolate_pose(imu_poses, ts) # transform point to reference frame pt_ref = pose.inverse() * pt undistorted.append(pt_ref) return np.array(undistorted)

4.2 特征提取与BEV投影

预处理完成后，下一步是特征提取和BEV投影。对于每个BEV网格，计算网格内点云的高度统计量（最大高度、最小高度、高度差、高度均值、高度方差）和反射强度统计量。这些统计量组成该网格的特征向量。

如果使用PCA做特征增强，还需要对每个网格内的点云做PCA分析，提取主方向和几何类型，作为额外的特征维度。比如，如果某个网格被判定为“线状分布”，那么它的主方向就可以作为一个强特征，用于后续的配准约束。

BEV投影的代码实现需要注意坐标系的定义。通常以车辆后轴中心在地面的投影为原点，x轴指向车辆前方，y轴指向车辆左侧，z轴指向上方。BEV网格的索引通过坐标除以分辨率再取整得到。

4.3 帧间配准与地图匹配

帧间配准用ICP，输入是当前帧和上一帧的BEV特征图或点云。初始位姿用IMU和轮速计的积分结果。配准输出相对位姿，送入ESKF做更新。

地图匹配是在有先验地图的情况下，把当前帧和地图做配准。地图匹配的初始位姿用ESKF的预测位姿。地图匹配的精度通常比帧间配准高，因为地图是多帧累积的结果，噪声更小。但地图匹配的计算量也更大，需要做降采样或者特征提取来加速。

实际系统中，帧间配准和地图匹配通常是并行的，或者根据场景切换。比如，在进入新区域时以帧间配准为主，在已知区域以地图匹配为主。

4.4 ESKF更新与位姿输出

ESKF的更新步骤把ICP的配准结果作为观测。观测模型可以写成：z = h(x) + v，其中z是ICP输出的相对位姿，h(x)是根据当前状态预测的相对位姿，v是观测噪声。

计算残差和雅可比矩阵后，做卡尔曼更新，得到误差状态的估计，再把误差状态注入名义状态，完成位姿更新。

// ESKF更新步骤 void ESKF::update(const Eigen::Matrix4d& icp_pose, const Eigen::Matrix<double, 6, 6>& R) { // compute residual Eigen::Matrix4d predicted_pose = getPoseFromState(); Eigen::Matrix4d residual_pose = predicted_pose.inverse() * icp_pose; Eigen::Matrix<double, 6, 1> residual = se3Log(residual_pose); // compute Jacobian Eigen::Matrix<double, 6, 15> H = Eigen::Matrix<double, 6, 15>::Zero(); H.block<3,3>(0,0) = Eigen::Matrix3d::Identity(); H.block<3,3>(3,6) = Eigen::Matrix3d::Identity(); // Kalman gain Eigen::Matrix<double, 15, 6> K = P * H.transpose() * (H * P * H.transpose() + R).inverse(); // update error state Eigen::Matrix<double, 15, 1> dx = K * residual; // inject error into nominal state injectError(dx); // update covariance P = (Eigen::Matrix<double, 15, 15>::Identity() - K * H) * P; }

位姿输出的频率通常和IMU频率一致，保证输出的平滑性。ICP的更新频率可以低一些，比如10Hz，因为ICP的计算量较大。

5. 常见问题与排查技巧实录

5.1 ICP配准失败或精度差的排查思路

ICP配准失败是实际中最常见的问题。表现通常是配准后的位姿跳变、残差很大、或者直接不收敛。

排查的第一步是检查初始位姿。如果初始位姿偏差超过一定范围，ICP基本不可能收敛到正确结果。我的做法是打印初始位姿和真值的偏差，如果偏差超过1米或10度，就要检查IMU和轮速计的积分逻辑。

第二步是检查对应点数量。如果对应点太少，说明两组点云的重叠区域太小，或者KD-Tree的搜索半径设置不合理。可以适当增大搜索半径，或者降低对应点距离阈值。

第三步是检查点云质量。如果点云噪声大、离群点多，ICP的配准结果会很不稳定。这时候需要加强预处理，比如增加统计滤波的强度。

第四步是检查场景退化。如果车辆行驶在长直通道中，通道两侧的墙壁提供了很强的横向约束，但纵向约束很弱，ICP在纵向上的估计会漂移。这时候需要引入其他约束，比如轮速计的纵向速度、地面纹理的纵向特征等。

5.2 PCA主方向提取不稳定的处理

PCA主方向提取不稳定的表现是：同一个柱子在相邻帧中算出的主方向差异很大，导致配准约束不一致。

根本原因通常是点云数量不足或分布不均匀。解决办法有几个：一是增大PCA分析的网格尺寸，让更多点参与计算；二是对点云做降采样，让点分布更均匀；三是引入时间上的平滑，比如用滑动窗口对多帧的主方向做平均。

还有一个容易被忽略的问题是坐标系定义。如果点云的坐标系和BEV网格的坐标系不一致，算出来的主方向也会有问题。建议在做PCA之前，先把点云统一到BEV坐标系下。

5.3 ESKF滤波器发散的调试方法

ESKF发散的表現是位姿估计越来越偏离真值，协方差矩阵越来越大。调试的时候可以按以下步骤来。

先检查预测步骤。把IMU和轮速计的数据单独积分，和真值对比，看漂移速度是否合理。如果漂移太快，说明IMU的零偏没标定好，或者轮速计的尺度因子不对。

再检查更新步骤。把ICP的观测单独拿出来，和真值对比，看观测本身的精度如何。如果观测本身噪声就很大，那滤波器发散是正常的，需要先提高ICP的精度。

然后检查Q和R矩阵的设置。可以做一个简单的实验：固定Q矩阵，逐渐增大R矩阵，看滤波器的表现。如果R太大，滤波器会过度信任预测，位姿输出滞后；如果R太小，滤波器会过度信任观测，位姿输出抖动。找到那个平衡点。

最后检查时间同步。如果IMU、轮速计、ICP的时间戳没有对齐，滤波器的预测和更新就会错位，导致发散。建议用硬件触发同步，或者用软件做精确的时间戳对齐。

避坑技巧：ESKF的协方差矩阵P在长时间运行后可能会失去正定性，导致滤波器崩溃。我的做法是每次更新后检查P的特征值，如果出现负特征值，就把P重置为一个合理的初始值。这个操作虽然粗暴，但在实际系统中很有效。

5.4 BEV特征匹配中的典型问题

BEV特征匹配的问题通常表现为匹配得分低、匹配位置偏移、或者匹配结果不稳定。

匹配得分低可能是因为BEV特征图的表达能力不够。可以尝试增加特征维度，比如加入PCA主方向、几何类型等特征。也可能是分辨率设置不合理，可以尝试不同的分辨率看效果。

匹配位置偏移可能是因为BEV特征图的原点定义不一致。当前帧和地图的BEV特征图必须用同一个原点定义，否则匹配结果会有固定偏移。

匹配结果不稳定可能是因为特征图对视角变化太敏感。BEV视角虽然对旋转有一定的鲁棒性，但如果车辆俯仰角变化大，BEV投影的结果会有变形。这时候需要做俯仰角补偿，或者用更鲁棒的特征描述子。

6. 工程落地中的经验与建议

6.1 传感器标定与时间同步的实操细节

传感器标定是整套系统的基础。激光雷达和IMU之间的外参标定，我推荐用基于平面的方法：把车辆停在一个有明确平面的地方，比如墙边，采集多帧数据，用平面约束求解外参。轮速计的标定主要是尺度因子，可以直线行驶一段已知距离，对比轮速计积分和实际距离。

时间同步方面，如果传感器支持硬件触发，一定要用硬件触发。硬件触发同步的精度可以做到微秒级，软件同步通常只能做到毫秒级。毫秒级的误差在低速场景下可能影响不大，但在高速或者剧烈运动场景下会导致明显的位姿误差。

6.2 计算资源的分配与优化

AVP-Loc的计算量主要来自ICP配准和ESKF更新。ICP配准通常占70%以上的计算时间。优化ICP的方法包括：降采样、使用点到面ICP、用GPU加速KD-Tree搜索、限制最大迭代次数。

在实际系统中，我通常把ICP放在单独的线程里跑，和ESKF的预测步骤并行。ESKF的预测用IMU数据，频率可以做到100Hz以上；ICP的更新频率做到10Hz左右就够了。这样可以在保证精度的同时，降低计算资源的占用。

6.3 不同车库场景的适配策略

地下车库的场景差异很大：有的车库柱子密集，有的车库通道很长，有的车库地面反光严重。一套参数打天下是不现实的。

我的做法是维护多套参数配置，根据场景特征自动切换。场景特征可以用点云的统计量来表征，比如柱子的密度、通道的宽度、地面的反射强度均值等。系统启动时先做一次场景识别，然后加载对应的参数配置。

另外，对于特别长的通道，纵向退化问题严重，可以考虑引入地面纹理特征或者反光柱特征作为额外的纵向约束。对于柱子密集的车库，PCA主方向提取会比较稳定，可以加大PCA在配准中的权重。

6.4 系统集成与测试验证

系统集成的时候，建议先做离线测试，用录制的数据包回放，验证每个模块的功能和精度。离线测试通过后，再做在线测试，在真实车辆上跑。

测试验证的指标包括：定位精度（和真值对比）、定位可用率（输出有效位姿的时间占比）、计算耗时（单帧处理时间）、内存占用。这些指标需要在实际场景中反复测试和调优。

我个人的经验是，离线测试能发现80%的问题，但剩下的20%问题只有在在线测试中才会暴露，比如时间同步的抖动、计算资源的竞争、传感器的偶发丢帧等。所以在线测试的时间要留够，不要指望一次就能跑通。

6.5 后续扩展方向

这套方案的扩展方向有几个。一是加入视觉信息，用视觉BEV特征和激光BEV特征做融合，提高在激光雷达退化场景下的鲁棒性。二是加入语义信息，把柱子、车位、通道等语义标签融入BEV特征图，提高匹配的区分度。三是做多车协同，多辆车的地图数据可以共享和融合，加快地图构建速度，提高地图覆盖范围。

这些扩展方向我在实际项目中都尝试过，视觉融合的效果最明显，但计算量也增加最多。语义融合的性价比最高，实现难度不大，但对匹配精度的提升很显著。多车协同适合车队场景，单车场景下意义不大。

最后分享一个小技巧：在做BEV特征图的时候，除了高度和强度统计量，可以加入一个“点云数量”通道。这个通道看起来不起眼，但在点云稀疏的区域，它能帮助判断该区域的特征是否可靠。如果某个网格的点云数量太少，匹配的时候可以降低该区域的权重，避免不可靠特征误导配准结果。这个技巧是我在调试一个地下车库场景时偶然发现的，后来成了标配。