你在做雷达的时候，你这个技术方案是怎么样的？
先用雷达再用相机。那为什么不先用相机？
雷达的话，应该也会有很多噪点吧？有。你是怎么去噪的呢？
距离过滤：在update方法中，过滤掉雷达 x 坐标超过max_distance_的点（远处噪声）。
背景差分：维护background_depth_image_，通过当前深度与背景深度的差值（diff_depth_image_）过滤静态噪声，只保留深度差在min_depth_diff_到max_depth_diff_之间的动态点。
聚类过滤：聚类时设置min_cluster_size和max_cluster_size，过滤掉点数过少（孤立噪声）或过大（背景干扰）的聚类。
无效点过滤：忽略 x、y、z 均为 0 的点（雷达无效数据），以及投影到图像外的点（u、v超出图像范围）。
代码中的聚类算法是如何选择的？
cluster_tolerance）控制聚类的松紧程度，通过最小 / 最大聚类大小（min_cluster_size/max_cluster_size）过滤噪声或背景干扰，适配不同场景。pcl::search::KdTree）加速近邻搜索，在保证精度的同时提升处理速度，适合实时性要求较高的雷达数据处理场景。| 算法 | 优势 | 劣势 | 典型应用场景 |
|---|---|---|---|
| 欧式聚类 | 简单快速，适合球形 / 凸形目标 | 对非凸形状聚类效果差 | 机器人、车辆等规则目标检测 |
| DBSCAN | 抗噪声，识别任意形状 | 密度不均时效果差 | 复杂场景的障碍物检测 |
| 层次聚类 | 提供层次结构 | 效率低 | 目标层级关系分析 |
| 网格聚类 | 超高效，适合大规模点云 | 精度低 | 实时背景过滤、快速粗分割 |
| GMM | 支持软聚类，处理重叠分布 | 依赖先验聚类数 | 高斯分布目标的精细分割 |
| 区域增长 | 保留几何特征 | 依赖法向量计算，对噪声敏感 | 结构化环境的平面 / 曲面分割 |
现有代码中已使用std::execution::par_unseq进行 CPU 并行（如点云遍历、深度图像计算），CUDA 优化可进一步加速：
for_each遍历点云的逻辑用 CUDA kernel 实现，每个线程处理一个点，并行计算投影坐标（u、v）并更新深度图像。diff_depth_image_的像素级计算（逐行逐列比较当前深度与背景深度），用 CUDA 线程块并行处理图像的不同区域。kdtree_）可移植到 CUDA 加速版本（如cuPCL库），并行计算点之间的距离，提升聚类效率。