第一讲：课程导论与点云基础
大家好，我是你们这门课的主讲人。在自动驾驶行业摸爬滚打了七八年，处理过的点云数据少说也有几十TB了。今天咱们正式开篇，聊聊激光雷达点云检测这件事儿到底在做什么。
说实话，我刚入行那会儿，点云处理还是个挺小众的方向。那时候开源工具少，很多代码都得自己一行行写。现在好多了，有Open3D、PCL这些成熟的库，但核心原理其实没变过。这一讲，我们先打好地基。
激光雷达是怎么“看”世界的？
激光雷达的工作原理，说白了就是“发射-反射-接收”这三个步骤。它向周围发射激光束，打到物体上再反射回来，通过计算时间差来测距。这个原理跟蝙蝠的回声定位有点像，只不过蝙蝠用声波，我们用光波。
我遇到过不少刚入行的同学问：“激光雷达和摄像头到底有什么区别？” 你想想看，摄像头是被动接收环境光，晚上或者逆光的时候就抓瞎了。激光雷达是主动发射激光，不受光照影响，这是它最大的优势。
目前主流的激光雷达有几种类型：
- 机械旋转式：64线、128线那种，顶部有个旋转的“小风扇”。优点是视野广，360度全覆盖。缺点是贵，而且有机械磨损。
- 固态式：没有旋转部件，靠电子扫描。体积小、成本低，但视场角有限。
- 混合固态：介于两者之间，目前量产车用得比较多。
避坑指南：我曾经在项目里吃过亏——选型时只看了线数，没关注点云密度分布。结果发现远距离的点稀疏得可怜，目标检测根本做不好。记住，线数不等于一切，要看有效探测距离内的点云密度。
点云数据格式：PCD vs PLY
拿到激光雷达的数据后，我们得把它存下来。最常见的两种格式是PCD和PLY。
PCD格式是Point Cloud Library（PCL）的亲儿子。它的结构很简单，头部是元数据，后面是点数据。我个人的习惯是，做算法原型验证时用PCD，因为PCL库直接支持，读写方便。
PLY格式是斯坦福大学搞出来的，最初用于3D扫描。它比PCD多了一个“面”的概念，可以存储网格信息。如果你要做三维重建或者渲染，PLY更合适。
来看看两种格式的对比：
| 特性 | PCD | PLY |
|---|---|---|
| 存储结构 | 纯点云 | 点云+网格 |
| 文件大小 | 较小 | 较大（含面信息） |
| 读取速度 | 快 | 中等 |
| 适用场景 | 检测、跟踪 | 重建、渲染 |
| 库支持 | PCL原生 | Open3D、MeshLab |
实际项目中，我建议你两种格式都掌握。因为不同传感器厂商给的数据格式不一样，有的给PCD，有的给PLY，还有的给自定义二进制格式。嗯，这里要注意：拿到数据后第一件事就是检查坐标系和单位，我踩过这个坑——有一次没注意单位是毫米还是米，结果画出来的点云缩放了1000倍。
点云可视化：Open3D vs PCL
做点云处理，可视化是刚需。你总得看看自己的算法效果怎么样吧？
Open3D是我现在最常用的工具。它用Python接口，代码简洁，可视化效果也漂亮。比如加载一个点云并显示，只需要几行代码：
import open3d as o3d
# 读取点云
pcd = o3d.io.read_point_cloud("example.pcd")
# 可视化
o3d.visualization.draw_geometries([pcd])
PCL是C++的库，功能更全，但代码量也更大。同样的功能在PCL里要写十几行。不过PCL的算法库非常丰富，滤波、分割、配准这些都有现成的实现。
我个人建议：做快速原型和调试用Open3D，做工程部署用PCL。当然，如果你对性能要求极高，PCL的C++实现会更快一些。
小技巧：可视化时记得调整点的大小和颜色。我习惯用Z轴高度来着色，这样能直观看出物体的高度信息。Open3D里设置 pcd.colors = o3d.utility.Vector3dVector(colors) 就能自定义颜色。
课程项目总览
这门课不是光讲理论，我们会做一个完整的项目。从数据采集到模型部署，走通整个流程。
整个项目的技术栈是这样的：
- 数据层：KITTI数据集 + 自采数据
- 预处理层：滤波、降采样、地面去除
- 检测层：PointPillars / VoxelNet 等模型
- 跟踪层：卡尔曼滤波 + 匈牙利匹配
- 可视化层：Open3D 实时显示
下面这张图展示了我们课程的知识体系：
从这张图你可以看到，整个课程是层层递进的。先学会怎么处理原始数据，再学检测算法，最后做跟踪和可视化。每一步都建立在前面知识的基础上。
重要提醒：这门课需要你具备一定的Python基础，最好也了解一点C++。如果你只会Python也没关系，大部分代码我会提供Python版本。但PCL部分需要C++，我会尽量给出两种语言的实现。
好了，第一讲就到这里。下一讲我们会真正动手，用Open3D加载并可视化你的第一个点云文件。到时候记得准备好数据，我们实战见。
公众号:蓝海资料掘金营，微信deep3321