1. 课程导入

激光雷达（LiDAR）已经成为自动驾驶、机器人导航、高精地图与智慧交通的核心传感器。它通过主动发射激光并测量回波时间，直接获得目标的三维距离信息，形成由大量离散点构成的点云。与摄像头提供二维纹理不同，点云天然携带空间几何与反射强度，是感知系统判断“物体在哪里、有多大、是否可通行”的关键依据。然而，点云并非“拿到就能用”：受扫描机制、天气、材质、标定与算法影响，点云会出现噪声、缺失、畸变、错位等问题。因此，本课程聚焦一个工程化命题——如何科学地度量点云质量，并进一步评测感知算法在真实点云上的表现。

一、学习目标：从“看得见”到“评得准”

本课程的学习目标可归纳为三个层次。第一层是理解质量指标：掌握点云完整性、精度、密度、噪声、时间一致性等基础维度的定义与计算方式。第二层是掌握评测方法：能够设计评测数据集、选择标注策略、搭建指标计算流程，并对检测、分割、跟踪等感知任务进行量化评估。第三层是形成工程闭环：把质量分析与感知评测结果反馈到传感器选型、标定补偿、算法调优和数据采集规范中，实现“采集—评测—改进—再采集”的迭代。

二、核心概念：质量与感知的桥梁

要建立评测体系，先要统一语言。点云质量通常从以下维度描述：完整性指目标表面被采到的点是否足够覆盖；精度指点坐标与真值的偏差；密度反映单位面积或单位体积内的点数；噪声包括离群点与随机抖动；时间一致性关注多帧之间同一静态物体的位置稳定性。感知评测则围绕检测（3D框位置、尺寸、朝向）、分割（点级或实例级类别）、跟踪（ID保持与轨迹连续）展开。二者之间的桥梁是真值（Ground Truth）：没有可靠标注，质量指标和感知指标都失去参照。

三、方法流程：一条可落地的评测链路

工程上，建议把评测拆成六个步骤，形成可复现的流水线：

1. 明确任务与场景：区分高速、城区、园区、地下车库等场景，确定关注目标（车辆、行人、锥桶、护栏）。
2. 数据采集与预处理：记录传感器型号、安装位置、标定参数、时间同步方式，完成去畸变、坐标统一与帧对齐。
3. 质量度量：计算完整性、精度、密度、噪声与时序一致性，输出质量报告并定位问题帧。
4. 真值标注：对检测框、分割掩码、跟踪ID进行标注，并设置抽检与一致性校验。
5. 感知评测：运行检测/分割/跟踪算法，计算 mAP、IoU、MOTA、定位误差等指标。
6. 反馈与迭代：把问题归因到传感器、标定、数据或算法，形成改进项并回归验证。

下面是一段典型的评测配置示例，用于说明参数如何组织：

evaluation:
  dataset: urban_night_v2
  sensor: solid_state_lidar_128
  metrics:
    - completeness
    - chamfer_distance
    - detection_map
    - tracking_mota
  thresholds:
    min_points_per_object: 30
    max_localization_error_m: 0.15
  output:
    report: reports/urban_night_v2.html
    frame_debug: true

四、行业应用概览与常见误区

点云质量与感知评测已广泛应用于自动驾驶量产验证、Robotaxi 运营监控、高精地图更新、矿山与港口无人作业、无人机巡检等场景。不同场景对指标的侧重点不同：高速场景更关注远距离检测与漏检率，城区场景更关注遮挡与密集目标，地下车库更关注退化环境下的定位稳定性。