2. 点云数据基础
点云是三维空间中离散采样点的集合，每个点通常携带三维坐标，并可选地附带颜色、强度、法向量、时间戳等属性。它是激光雷达、深度相机、结构光扫描仪等设备对真实世界表面进行采样的直接结果，也是点云配准与三维地图构建的原始输入。理解点云的数据组织方式、坐标表达、噪声来源与预处理流程，是后续实现高精度配准与地图融合的前提。
一、点云的定义与数据组织
从数学角度看，点云可表示为集合 P = {p₁, p₂, …, pₙ}，其中每个点 pᵢ = (x, y, z) 表示在某一坐标系下的三维位置。若包含附加属性，则可扩展为 pᵢ = (x, y, z, r, g, b, intensity, t)。点云与图像的最大区别在于：图像是规则栅格上的像素阵列，而点云是无序、稀疏、密度不均的散点集合，因此其存储、索引与邻域查询方式都不同于二维图像。
常见的点云组织方式包括无序点列表、有序点云（如深度图反投影得到的行列结构）以及体素化、八叉树、KD 树等空间索引结构。空间索引直接影响最近邻搜索、法向量估计和配准迭代的效率，是工程实现中不可忽视的一环。
二、点云的获取方式
点云获取方式主要分为主动式与被动式两类。主动式设备主动发射能量并接收回波，典型代表是激光雷达（LiDAR）和结构光/ToF 深度相机；被动式设备则依赖环境光，通过多视图立体视觉（MVS）或双目立体匹配恢复深度。不同获取方式在精度、密度、视场角、成本与适用场景上差异明显。
| 获取方式 | 典型设备 | 精度与密度 | 适用场景 |
|---|---|---|---|
| 机械/固态激光雷达 | Velodyne、禾赛、Livox | 厘米级，密度中等 | 自动驾驶、测绘、机器人导航 |
| 结构光/ToF 相机 | Kinect、RealSense、Azure Kinect | 毫米级，近距离密度高 | 室内重建、手势交互、抓取 |
| 多视图立体视觉 | 单目/双目相机 + SfM | 依赖纹理，密度可调 | 文化遗产、大场景低成本重建 |
| 激光扫描仪 | Faro、Leica 地面站 | 毫米级，密度极高 | 建筑测绘、工业检测 |
三、常见格式与坐标系
点云数据在存储与交换中形成了多种格式。PCD（Point Cloud Data）是 PCL 生态中最常用的格式，支持 ASCII 与二进制，可携带丰富字段；PLY 兼顾点云与网格，兼容性好；LAS/LAZ 是测绘领域标准，包含分类与回波信息；此外还有 OBJ、XYZ、BIN 等。选择格式时需权衡字段完整性、读写效率与工具链兼容性。
# PCD 文件头部示例
VERSION .7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 213
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 213
DATA ascii
0.93773 0.33763 0 10.05
0.90805 0.35641 0 10.05
...坐标系是点云处理的“语言”。常见坐标系包括传感器坐标系、载体坐标系、世界坐标系与地图坐标系。传感器坐标系以设备光心或激光原点为原点；世界坐标系通常由标定或 SLAM 前端确定；地图坐标系则是多帧融合后的全局参考。配准的本质，就是求解不同坐标系之间的刚体变换 T = [R | t]，把源点云变换到目标点云所在坐标系。
四、噪声、离群点与预处理流程
真实点云几乎不可能“干净”。噪声主要来自传感器测距误差、表面材质反射、运动畸变、多路径效应以及标定误差；离群点则表现为远离主体结构的稀疏点、飞点或孤立簇。若直接用于配准，噪声会拉偏对应点匹配，离群点会破坏法向量估计与 ICP 收敛。
常见误区：很多初学者跳过预处理直接做 ICP，结果配准失败却归因于算法。实际上，未去噪、未降采样、未统一坐标系的点云，会让最近邻匹配大量落在错误对应上，迭代容易陷入局部最优。
一个稳健的预处理流程通常包括：坐标统一与单位检查、体素降采样、统计/半径离群点去除、直通或条件滤波、地面分割（视场景而定）、法向量估计与特征计算。每一步都服务于后续配准与建图，而不是孤立操作。
五、案例与工程建议
以室内机器人建图为例：Kinect 采集的原始点云包含大量深度缺失与边缘飞点，若直接送入 ICP，配准误差可达数十厘米。工程上通常先做体素降采样（如 0.02 m），再用统计离群点去除（MeanK=50, StddevMulThresh=1.0），随后估计法向量并计算 FPFH 特征，最后才进入粗配准与精配准。经过这一流程，同一场景的配准误差可稳定在厘米级以内。
实践建议：预处理参数没有“万能值”。体素尺寸应与场景尺度、传感器精度和配准精度目标匹配；离群点阈值应结合点云密度调整。建议把预处理参数写入配置文件，便于复现与调参。
总之，点云数据基础决定了配准与建图的上限。明确点云的定义与组织方式，理解获取方式带来的精度与噪声特性，统一坐标系与格式，并建立规范的预处理流程，才能让后续的配准算法在干净、一致的数据上发挥应有性能。