前言：算法的尽头是物理
2025 年，自动驾驶圈最火的词是'端到端（End-to-End）'。仿佛只要模型够大，数据扔进去，车就能自己开。
但作为一名在一线摸爬滚打的架构师，我要泼一盆冷水：Garbage In, Garbage Out（垃圾进，垃圾出）。
激光雷达（LiDAR）并不是完美的上帝之眼。受限于光速、机械扫描结构和物理反射定律，它吐出来的原始数据充满了'谎言'：
- 车在跑，墙变歪了（运动畸变）；
- 路过玻璃墙，地下冒出了一辆车（鬼影噪声）；
- 每秒 150 万个点，CPU 算不过来（算力瓶颈）。
今天我们不谈大模型，专门聊聊这些自动驾驶感知栈里的'脏活'，以及如何用硬核工程手段把它们清洗干净。
一、硬件的谎言：为什么点云会'歪'？
1. 卷帘快门效应
目前主流的机械或半固态雷达（如 Hesai AT128 或 ATX），本质上是'慢速扫描'设备。
- 现象：雷达转一圈（或扫描一帧）大约需要 100ms（10Hz）。
- 问题：在高速公路场景下（120km/h），车在 0.1 秒内已经窜出去了 3.3 米。
- 后果：雷达刚开始扫到的'车头'和最后扫到的'车尾'，实际上是在两个不同位置采集的。把它们拼在同一帧里，世界就扭曲了。
这张图直观地展示了代码所需解决的问题。当激光雷达在移动中扫描时，不同时刻采集的点不再位于同一个坐标系下，导致生成的点云出现拉伸和扭曲，就像左图中的汽车一样。右图展示了我们期望得到的、静止状态下的真实几何形状。
