第一章：点云世界初探
各位同学好，我是这门课的主讲。做了这么多年点云处理，从最早的激光雷达调试到现在的自动驾驶感知系统，我踩过的坑比你们走过的路还多（笑）。今天咱们就来聊聊点云到底是什么，以及怎么开始玩转它。
1.1 什么是点云？
说白了，点云就是一堆三维坐标点的集合。每个点有X、Y、Z三个值，有时候还带着颜色、强度之类的附加信息。你想想看，我们人眼看世界是连续的图像，但机器看世界呢？它看到的是一堆离散的点。
我记得第一次接触点云是在2015年，当时做测绘项目。拿到一个古建筑的点云数据，打开一看——密密麻麻几百万个点，像星空一样。那一刻我才真正理解：原来三维世界可以被这样数字化。
核心概念：点云 = 三维空间中的离散采样点集合。每个点至少包含三维坐标信息。
1.2 点云数据格式
做点云处理，绕不开文件格式。我见过不少新手上来就踩格式的坑，这里给大家梳理一下最常见的三种：
| 格式 | 全称 | 特点 | 我的建议 |
|---|---|---|---|
| PCD | Point Cloud Data | PCL库原生格式，支持多种字段 | 做算法实验首选，读写快 |
| PLY | Polygon File Format | 支持网格和点云，可带颜色 | 可视化场景常用 |
| LAS | LASer | 测绘行业标准，带分类信息 | 做测绘项目必须会 |
个人经验：我习惯用PCD做中间处理格式，最后输出用PLY方便可视化。LAS格式处理起来要注意坐标系转换，曾经有个项目因为坐标系没对齐，整整排查了两天。
1.3 点云的应用领域
点云的应用比你想象的广得多。我挑三个最典型的说说：
- 自动驾驶：这是目前最火的方向。激光雷达每秒产生几十万个点，用来检测车辆、行人、路沿。我在做L4级自动驾驶项目时，点云分割的精度直接决定了车辆能不能安全变道。
- 机器人：SLAM的核心就是点云。机器人靠点云建图、定位、避障。说实话，没有点云，现在的扫地机器人就是个瞎子。
- 测绘与三维重建：从古建筑保护到地形测量，点云是获取真实世界三维数据最直接的方式。我参与过故宫某殿宇的数字化项目，用激光扫描仪采集了上亿个点，最后重建出来的模型连斗拱的细节都一清二楚。
1.4 课程环境搭建
嗯，这里要注意。环境搭不好，后面全白干。我建议按这个顺序来：
- 安装Python 3.8+（推荐3.10，兼容性最好）
- 安装Open3D：
pip install open3d - 安装NumPy：
pip install numpy
验证环境是否成功，跑下面这段代码：
import open3d as o3d
import numpy as np
# 生成一个简单的点云
points = np.random.rand(100, 3)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)
# 可视化
o3d.visualization.draw_geometries([pcd])
print("环境搭建成功！点云数量：", len(pcd.points))
避坑指南：我曾经在Windows上装Open3D遇到dll缺失问题。解决方案很简单——用conda创建虚拟环境再装。千万别直接在系统Python里装，血的教训。
1.5 本章知识体系
为了让大家更直观地理解本章内容，我画了一张结构图：
这张图把本章的核心内容串起来了。从定义出发，到三种格式、三大应用领域，最后落地到环境搭建。后面的课程都会围绕这个框架展开。
好了，第一章就到这里。环境搭好之后，记得跑一下上面的代码。如果报错，别慌——99%的情况是版本问题，换个Python版本或者用conda重装就能解决。我在课程群里等着大家的好消息。