第一章：点云数据基础

大家好，我是你们这门课的主讲。做了这么多年激光雷达感知，我最大的感触就是——点云数据是算法的基石。你算法再花哨，数据没搞明白，最后跑起来全是坑。今天咱们就从最基础的点云数据结构、坐标系和可视化工具说起。

1.1 点云数据结构：XYZI格式

点云说白了就是一堆三维点的集合。每个点至少包含 X、Y、Z 三个坐标值。但在实际工程中，我们通常还会存一个 I（强度值），这就是所谓的 XYZI 格式。

我刚开始做激光雷达时，以为点云就是简单的 (x,y,z) 列表。后来发现，强度值 I 才是宝藏。它反映了目标表面对激光的反射率，比如车道线反射强、沥青路面反射弱，靠这个就能做路面分割。

来看一个典型的 XYZI 点云结构定义：

// C++ 结构体定义
struct PointXYZI {
    float x;      // X 坐标（米）
    float y;      // Y 坐标（米）
    float z;      // Z 坐标（米）
    float intensity; // 强度值（0-255 或归一化 0.0-1.0）
};

实际存储时，不同厂商的激光雷达会有差异。比如 Velodyne 的强度值是 0-255 整数，而 Ouster 的强度值可能是 0-65535。嗯，这里要注意——读取数据后一定要先归一化，否则不同雷达的数据没法统一处理。

字段	含义	典型范围	备注
x	前向距离	-100 ~ 100 m	车头方向为正
y	左侧距离	-100 ~ 100 m	符合右手系
z	高度	-5 ~ 50 m	向上为正
intensity	反射强度	0 ~ 255	越高越亮

1.2 点云坐标系

坐标系是点云感知里最容易出bug的地方。你想想看，激光雷达装在车上，车在世界上跑，每个环节都有自己的坐标系。搞混了，点云就全歪了。

1.2.1 激光雷达坐标系

这是最原始的坐标系。原点在激光雷达的几何中心，X 轴朝前，Y 轴朝左，Z 轴朝上（右手系）。我见过不少新手把 Y 轴方向搞反，结果点云左右颠倒。

1.2.2 车体坐标系

车体坐标系的原点通常在车辆后轴中心或质心。X 轴朝车头，Y 轴朝左，Z 轴朝上。激光雷达装在车顶，所以从雷达坐标系到车体坐标系，需要做一次 平移 + 旋转 变换。

我个人习惯把外参标定矩阵写成 4×4 的齐次变换矩阵：

// 激光雷达到车体坐标系的变换矩阵
Eigen::Matrix4f T_lidar_to_vehicle;
T_lidar_to_vehicle << 
    1, 0, 0, 0.5,   // 雷达在车体前方 0.5 米
    0, 1, 0, 0.0,   // 左右居中
    0, 0, 1, 1.2,   // 高度 1.2 米
    0, 0, 0, 1;

1.2.3 世界坐标系

世界坐标系是全局参考系，通常用 GPS/IMU 给出的经纬度或 UTM 坐标。车体坐标系到世界坐标系的变换，依赖于车辆的定位信息。

1.3 点云可视化工具

做感知算法，可视化是调试的命根子。我见过太多人算法写完了，一跑发现点云是歪的，就是因为没可视化检查。这里我推荐两个工具：Open3D 和 PCL。

1.3.1 Open3D（推荐新手）

Open3D 是 Intel 开源的库，API 设计得很现代，Python 接口尤其友好。我个人现在主力用 Open3D，因为它画图快、代码短。

import open3d as o3d
import numpy as np

# 生成随机点云（XYZI格式）
points = np.random.rand(1000, 3)  # 1000个点
intensity = np.random.rand(1000, 1)

# 构建Open3D点云对象
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)

# 给点云上色（用强度值映射到颜色）
colors = np.tile(intensity, (1, 3))  # 灰度显示
pcd.colors = o3d.utility.Vector3dVector(colors)

# 可视化
o3d.visualization.draw_geometries([pcd], window_name="我的第一个点云")

1.3.2 PCL（工业级选择）

PCL 是点云领域的元老，功能极其全面，但 API 偏 C++ 风格，学习曲线陡一些。如果你做的是量产项目，PCL 的稳定性是经过验证的。

#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/visualization/pcl_visualizer.h>

int main() {
    // 创建点云对象
    pcl::PointCloud<pcl::PointXYZI>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZI>);
    
    // 填充数据
    cloud->width = 1000;
    cloud->height = 1;
    cloud->is_dense = false;
    cloud->points.resize(cloud->width * cloud->height);
    
    for (size_t i = 0; i < cloud->points.size(); ++i) {
        cloud->points[i].x = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].y = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].z = 1024 * rand() / (RAND_MAX + 1.0f);
        cloud->points[i].intensity = 128;  // 固定强度
    }
    
    // 可视化
    pcl::visualization::PCLVisualizer viewer("PCL点云查看器");
    viewer.addPointCloud<pcl::PointXYZI>(cloud, "cloud");
    
    while (!viewer.wasStopped()) {
        viewer.spinOnce();
    }
    return 0;
}

本章小结

这一章我们聊了三个核心内容：

• XYZI 格式：每个点包含位置和强度，强度值记得归一化
• 三大坐标系：雷达→车体→世界，用齐次矩阵做变换
• 可视化工具：Open3D 适合快速验证，PCL 适合量产项目

说实话，这些基础内容看起来简单，但我在面试时发现很多候选人栽在坐标系变换上。你想想看，点云数据本身没错，但坐标系没对齐，后面所有算法都是白费功夫。所以，先把地基打牢，后面咱们再聊滤波、分割、目标检测这些硬核内容。

---

公众号:蓝海资料掘金营，微信deep3321