1. 点云世界初探：激光雷达工作原理、点云数据格式解析、主流开源库介绍（PCL/Open3D）
1.1 激光雷达到底怎么工作的？
说实话，很多人一上来就调代码，却连激光雷达为什么能测距都没搞明白。我刚开始做SLAM那会儿也踩过这个坑——拿到一包点云数据，直接丢进算法里跑，结果定位飘得离谱。后来才发现，我连雷达是机械式还是固态的都没搞清楚。
激光雷达的原理，说白了就是「发射-接收-计时」这三步。它朝某个方向打一束激光，碰到物体反射回来，接收器捕获回波。光速是已知的，时间差一算，距离就出来了。嗯，就这么简单。
但这里有个关键点：单束激光只能测一个点。要形成「点云」，就得让激光束动起来。怎么动？
- 机械旋转式：电机带着激光头转圈，每秒转十几二十圈。Velodyne、禾赛的早期产品都是这个路子。我在项目里用过16线的，一圈下来16万个点，效果还行，就是怕震动。
- 固态/混合固态：没有旋转部件，靠光学相控阵或MEMS微振镜来偏转激光束。优点是体积小、寿命长，但视场角通常不如机械式。我去年测试过一款固态雷达，近处精度确实好，但远距离信噪比有点拉胯。
- Flash式：一次性发射大面积激光，像相机闪光灯一样。适合近距离、高速场景，但分辨率目前还上不去。
核心要点：激光雷达测距的精度，取决于时间测量的分辨率。1纳秒的计时误差，对应约15厘米的距离偏差。所以高端雷达用的都是皮秒级计时芯片。
1.2 点云数据格式——别被二进制吓到
拿到一包点云数据，你第一反应是什么？我当年是直接打开文本编辑器，结果满屏乱码。后来才明白，点云数据为了效率，基本都是二进制存储。
最常见的格式有这么几种：
| 格式 | 特点 | 适用场景 |
|---|---|---|
| PCD | PCL原生格式，支持ASCII和二进制，可存储点云+法向量+颜色 | 算法调试、数据交换 |
| PLY | 支持顶点和面片，常用于三维重建 | 网格模型、可视化 |
| LAS/LAZ | 行业标准，带分类信息（地面、植被、建筑等） | 测绘、地理信息 |
| BIN | 纯二进制，无头信息，各家自定义 | 嵌入式、实时系统 |
我个人习惯用PCD格式做算法验证。为什么？因为它头信息里直接写了点云数量、字段类型、宽度高度，解析起来特别省事。你看这个头：
# .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 64000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 64000
DATA binary
注意那个HEIGHT 1，表示这是无序点云。如果HEIGHT > 1，那就是有序点云，像图像一样有行列结构。我在做深度图投影时经常用到这个特性。
避坑指南：我曾经在解析KITTI数据集时，被BIN格式坑过一次。它没有头信息，直接是float数组，每4个字节一个值。但不同传感器输出的字段顺序不一样——有的是xyz，有的是xyzi，还有的带ring和time。一定要先确认数据手册，别想当然。
1.3 主流开源库——PCL vs Open3D
说到点云处理，绕不开两个库：PCL和Open3D。我两个都用过，说说我的感受。
PCL（Point Cloud Library）
PCL是老牌劲旅，功能极其全面。从滤波、配准、分割到识别，几乎你能想到的点云算法它都有。但它的缺点也很明显：
- 编译麻烦：依赖一大堆，VTK、Boost、Eigen...我第一次编译PCL花了一整天，各种版本冲突。
- API设计偏老：大量使用boost智能指针，代码写起来有点啰嗦。
- 文档质量参差不齐：有些教程还是2015年的，示例代码跑不通是常事。
但话说回来，PCL的算法实现确实扎实。比如它的ICP配准，我做过对比测试，比Open3D的默认参数收敛更稳定。如果你做工业级应用，PCL还是首选。
Open3D
Open3D是后来者，但势头很猛。它的设计理念是「现代、简洁、高效」。
- Python优先：API设计非常Pythonic，几行代码就能完成可视化。
- 编译简单：依赖少，CMake一键搞定。
- 可视化漂亮：内置的GUI交互做得很好，旋转、缩放、选点都很流畅。
我最近的项目里，用Open3D做点云预处理和可视化，用PCL做核心配准算法。两者互补，效果不错。
我的建议：如果你是新手，先从Open3D入手。它的学习曲线平缓，能让你快速看到效果。等需要深入算法细节时，再去看PCL的源码实现。别一上来就啃PCL，容易劝退。
1.4 一个简单的代码示例
说了这么多，来点实际的。下面是用Open3D读取并可视化一个PCD文件的代码：
import open3d as o3d
import numpy as np
# 读取点云
pcd = o3d.io.read_point_cloud("example.pcd")
print(f"点云数量: {len(pcd.points)}")
# 获取坐标数据
points = np.asarray(pcd.points)
print(f"X范围: [{points[:,0].min():.2f}, {points[:,0].max():.2f}]")
print(f"Y范围: [{points[:,1].min():.2f}, {points[:,1].max():.2f}]")
print(f"Z范围: [{points[:,2].min():.2f}, {points[:,2].max():.2f}]")
# 可视化
o3d.visualization.draw_geometries([pcd],
window_name="我的第一个点云",
width=800,
height=600)
这段代码跑通后，你就能看到三维空间里的点云了。我第一次看到自己加载的点云时，还是挺震撼的——原来激光雷达看到的世界是这样的。
1.5 本章小结
这一章我们聊了三个核心问题：
- 激光雷达怎么工作的——发射激光、测量时间、计算距离，然后通过旋转或扫描形成点云。
- 点云数据长什么样——PCD、PLY、LAS、BIN，每种格式都有自己的用途和坑。
- 用什么工具处理点云——PCL功能全但学习曲线陡，Open3D简洁现代适合快速上手。
下一章，我们会深入点云预处理，聊聊怎么去除离群点、怎么降采样。这些都是实际项目中天天要用的操作。到时候我会分享一些我在项目里踩过的坑，比如体素滤波的参数怎么调才不丢细节。
嗯，今天就到这里。记得动手跑一下上面的代码，光看是学不会的。