一、点云数据基础

做自动驾驶和机器人感知这些年，我接触最多的数据形式就是点云。说实话，刚入行那会儿，我对着密密麻麻的坐标点也是一头雾水。但搞懂了它的本质，你会发现——点云其实就是三维世界的「像素」。

1.1 什么是点云

点云，说白了就是一堆三维坐标点的集合。每个点用 (x, y, z) 表示它在空间中的位置。你想想看，激光雷达扫一圈，每个激光束碰到物体反弹回来，就记录一个点。成千上万个点拼在一起，就形成了周围环境的「轮廓素描」。

我在项目中遇到过一位同事，他总把点云想象成「三维照片」。普通照片每个像素有RGB颜色，点云每个点除了坐标，还可以带强度值、颜色值、甚至时间戳。嗯，这个比喻挺贴切的。

1.2 点云的数据结构

点云的数据结构其实不复杂。我习惯把它理解成一张表格——每一行是一个点，每一列是一种属性。

点索引	x	y	z	强度	RGB
0	1.23	4.56	7.89	128	(255,0,0)
1	2.34	5.67	8.90	200	(0,255,0)
...	...	...	...	...	...

实际工程中，我们常用两种数据结构：

• 无序点云：点之间没有拓扑关系，就是一堆散点。处理起来简单，但丢失了邻域信息。
• 有序点云：按扫描线顺序排列，类似图像的像素矩阵。比如Velodyne的64线激光雷达，每帧数据就是64×N的矩阵。这种结构能直接利用图像算法，效率高不少。

1.3 点云的存储格式

点云存成什么格式？这个问题我踩过坑。早期我用纯文本存点云，一个10万点的文件就几十MB，读写慢得要命。后来才摸清楚主流格式的门道。

PCD格式

PCD是Point Cloud Library（PCL）的亲儿子。它支持ASCII和二进制两种存储方式。我个人习惯用二进制格式，体积小、读写快。PCD文件头会写明点云维度、点数、数据类型等信息。

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 100000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 100000
DATA binary
...（二进制数据）

PLY格式

PLY（Polygon File Format）是图形学领域的常客。它比PCD多了一个优势——可以存储多边形网格。如果你做三维重建，PLY是首选。我记得有一次做高精地图项目，地图供应商给的就是PLY格式，里面包含了路面三角网格。

LAS格式

LAS是测绘和遥感领域的标准格式。它专门为激光雷达数据设计，支持分类标签（比如地面、建筑、植被）。做自动驾驶时，我经常用LAS格式存储标注好的训练数据。它的压缩率很高，一个1GB的原始点云，存成LAS可能只有200MB。

格式	适用场景	优点	缺点
PCD	PCL处理、算法开发	读写快、PCL原生支持	不支持网格
PLY	三维重建、图形学	支持网格、颜色	文件较大
LAS	测绘、自动驾驶标注	压缩率高、带分类标签	解析库较少

1.4 点云可视化工具

做感知算法，可视化是刚需。你看不到点云，怎么调试？我常用的工具有这几个：

• PCL Visualizer：PCL自带的可视化工具，轻量级，适合快速查看点云。我写算法时经常用它做实时显示。
• CloudCompare：开源神器，支持点云编辑、配准、分割。做标注和数据分析时，我离不开它。
• Open3D：Python生态的宠儿。如果你用Python做算法原型，Open3D的可视化接口非常友好。
• RViz：ROS生态的标准可视化工具。做自动驾驶系统集成时，RViz是标配。

我个人最常用的是Open3D。为什么？因为它一行代码就能显示点云，还能交互旋转、缩放。你想想看，调试时能快速看到结果，效率提升不是一星半点。

import open3d as o3d

# 读取点云
pcd = o3d.io.read_point_cloud("scene.pcd")

# 可视化
o3d.visualization.draw_geometries([pcd])

知识体系总览

下面这张图，是我梳理的点云数据基础的知识结构。你可以把它当作本章的「地图」。

嗯，以上就是点云数据基础的全部内容。搞懂了这些，后面讲障碍物检测算法时，你就能更顺畅地跟上节奏。记住一句话：点云是三维感知的「原材料」，原材料处理不好，后面再牛的算法也白搭。