3. 点云质量定义与维度

在激光雷达感知评测中，“点云质量”并不是一个单一分数，而是一组相互制约、面向不同任务需求的维度集合。同一帧点云，对建图任务可能“精度足够但密度不足”，对障碍物检测可能“密度足够但噪声偏高”，对远距离小目标识别则可能“完整性尚可但反射强度信息缺失”。因此，理解点云质量的第一步，是把它拆解为可观测、可度量、可归因的维度，并明确每个维度背后的物理成因与工程含义。

一、核心原理：六个维度的物理来源

激光雷达通过发射激光脉冲并测量回波时间与强度来获取点。每个点的质量，本质上由“光是否打到目标、是否被正确接收、是否被正确解算”三个环节决定。完整性描述目标表面被采到的比例，受视场角、遮挡、扫描线分布和反射率影响；密度描述单位面积或单位体积内的点数，受线束数量、扫描频率、距离和入射角影响；精度描述点坐标与真实位置的偏差，受测距精度、标定误差、时间同步和运动畸变影响；噪声描述无目标处的虚假点或坐标抖动，受阳光、雨雾、多径和探测器暗噪声影响；反射强度描述回波能量强弱，与目标材质、颜色、距离和入射角强相关；多回波描述一个脉冲收到多次回波的能力，用于穿透植被、玻璃或雨雾，保留多层结构信息。

二、方法流程：从原始点云到质量报告

质量评测的流程通常分为四步。第一步是数据对齐，将待测点云与参考真值（高精度地图、全站仪测量、标定板或人工标注）在统一坐标系下配准，避免把配准误差误判为点云误差。第二步是分维度计算，完整性用目标表面覆盖率或漏检率，密度用每平方米点数或体素占用率，精度用RMSE、平均绝对误差或95分位误差，噪声用离群点比例和局部平面拟合残差，反射强度用标定后的反射率一致性，多回波用回波层数分布和穿透率。第三步是场景分层，把点云按距离、入射角、目标材质、天气条件分组，因为质量指标随这些变量显著变化。第四步是生成报告，给出各维度得分、权重和典型失败案例。

# 质量评测伪代码示例
for frame in dataset:
    pc = load_pointcloud(frame)
    gt = load_ground_truth(frame)
    pc_aligned = align(pc, gt)

    completeness = coverage_ratio(pc_aligned, gt)
    density      = points_per_sqm(pc_aligned)
    accuracy     = rmse(pc_aligned, gt)
    noise_ratio  = outlier_ratio(pc_aligned, k=8)
    intensity    = intensity_consistency(pc_aligned, gt)
    multi_echo   = echo_layer_stats(frame.raw_echo)

    report(frame, completeness, density, accuracy,
           noise_ratio, intensity, multi_echo)

三、案例/场景：同一路段的三类任务

以城市主干道为例。对自动驾驶障碍物检测，密度和完整性权重最高：远处行人只有少量点，若密度不足，检测网络难以稳定输出。对高精地图建图，精度和多回波权重最高：路面标线、路沿和树冠下的杆状物需要厘米级精度，多回波能保留植被后的结构。对雨雾天气感知，噪声和反射强度权重上升：雨滴产生大量虚假点，反射强度衰减导致远处目标点云稀疏，此时需要结合多回波和强度补偿判断目标是否真实存在。

四、误区与复盘

复盘时建议做三件事：一是按距离和入射角绘制质量指标曲线，定位指标衰减拐点；二是保留典型失败帧，标注是完整性、密度、精度、噪声、强度还是多回波导致；三是把质量报告与下游任务指标关联，验证哪些维度真正影响检测、分割或建图结果。只有把质量维度与任务收益挂钩，评测才具有工程决策价值。