2. 3D空间表示方法：体素、点云、网格、隐式表示
各位同学，今天我们来聊聊3D空间表示。说实话，这个问题我当年刚入行时也困惑了很久。自动驾驶场景里，障碍物是三维的，但我们的传感器（摄像头、激光雷达）采集到的数据，要么是二维图像，要么是稀疏的点。怎么把这些数据变成计算机能理解的3D表示？
我个人的经验是：没有完美的表示方法，只有最适合场景的表示方法。下面我把四种主流方法掰开揉碎了讲清楚。
2.1 体素（Voxel）—— 3D世界的像素
体素就是3D版本的像素。你把空间切成一个个小立方体，每个立方体要么被占据（1），要么空闲（0）。
核心思想：用离散的网格去近似连续的3D空间。
我在做激光雷达障碍物检测时，最早用的就是体素。为什么呢？因为它的数据结构太直观了——就是一个3D数组，形状是 (W, H, D)，每个元素是0或1。
# 一个简单的体素表示示例
import numpy as np
# 假设我们有一个 10x10x10 的体素空间
voxel_grid = np.zeros((10, 10, 10), dtype=np.int8)
# 在位置 (3, 4, 5) 处放置一个障碍物
voxel_grid[3, 4, 5] = 1
# 检查某个位置是否被占据
if voxel_grid[3, 4, 5] == 1:
print("该位置有障碍物")
优点：
- 数据结构简单，适合GPU并行计算
- 空间局部性好，邻居关系天然存在
- 适合做3D卷积（3D CNN）
缺点：
- 内存爆炸：分辨率每翻一倍，内存占用变成8倍
- 稀疏性：大部分体素是空的，浪费严重
- 精度受限：体素大小决定了最小可检测物体
我曾经踩过的坑：在项目中用0.1m分辨率的体素覆盖100m×100m×5m的区域，结果内存直接爆了。后来改用稀疏体素（只存储被占据的体素），才解决了问题。
2.2 点云（Point Cloud）—— 最接近传感器原始数据
点云就是一堆三维点的集合。每个点有 (x, y, z) 坐标，有时还带强度、颜色等信息。
你想想看，激光雷达扫一下，出来的就是点云。所以点云是自动驾驶里最直接的3D表示。
# 点云数据示例
point_cloud = [
[1.2, 3.4, 5.6], # 第一个点
[2.3, 4.5, 6.7], # 第二个点
[3.4, 5.6, 7.8], # 第三个点
]
优点：
- 数据紧凑：只存储有意义的点，不浪费空间
- 精度高：点的坐标可以是浮点数，理论上无限精度
- 与传感器天然对齐：不需要额外的转换
缺点：
- 无序性：点的顺序不影响表示，这让神经网络很难处理
- 稀疏性：远距离点很稀疏，近距离点很密集
- 缺乏拓扑信息：点与点之间没有连接关系
我的建议：如果你要做点云处理，一定要理解PointNet和PointNet++。它们解决了点云的无序性问题。我当年花了两周才真正搞懂PointNet的对称函数设计，嗯，值得的。
2.3 网格（Mesh）—— 表面表示之王
网格用三角形（或四边形）来逼近物体表面。每个三角形由三个顶点和一条法线组成。
说白了，网格就是3D建模里最常用的格式。你玩的游戏里的角色、汽车，都是网格。
# 一个简单的三角形网格
# 顶点列表
vertices = [
[0.0, 0.0, 0.0], # v0
[1.0, 0.0, 0.0], # v1
[0.0, 1.0, 0.0], # v2
]
# 三角形面片（用顶点索引表示）
faces = [
[0, 1, 2], # 一个三角形
]
优点：
- 表面表示精确：适合渲染和可视化
- 数据量可控：用少量三角形就能表示复杂形状
- 拓扑信息丰富：知道哪些点连在一起
缺点：
- 不适合深度学习：网格的拓扑结构不固定，很难输入到神经网络
- 生成困难：从点云生成网格需要复杂的重建算法
- 不擅长表示内部结构：网格只描述表面
注意：在自动驾驶中，网格主要用于高精地图和3D重建。实时障碍物检测很少直接用网格，因为计算量太大。我见过有人尝试用网格做检测，结果一帧处理了500毫秒...嗯，显然不现实。
2.4 隐式表示（Implicit Representation）—— 最近的大热门
隐式表示不直接存储几何信息，而是用一个函数来描述空间。比如：
- 有符号距离函数（SDF）： f(x, y, z) = 到最近表面的距离（带符号）
- 占据场（Occupancy Field）： f(x, y, z) = 该点被占据的概率
这就是Occupancy Network的核心思想！
# 隐式表示示例：一个球的SDF
def sphere_sdf(x, y, z, radius=1.0, center=(0, 0, 0)):
cx, cy, cz = center
distance = np.sqrt((x-cx)**2 + (y-cy)**2 + (z-cz)**2)
return distance - radius # 负值表示内部，正值表示外部
# 查询点 (0.5, 0.5, 0.5) 是否在球内
sdf_value = sphere_sdf(0.5, 0.5, 0.5)
if sdf_value < 0:
print("点在球内部")
else:
print("点在球外部")
优点：
- 无限分辨率：你可以以任意精度查询空间中的任意点
- 内存高效：只需要存储一个神经网络（或函数参数）
- 拓扑灵活：可以表示任意形状，包括有孔洞的物体
- 适合学习：用神经网络拟合隐式函数，端到端训练
缺点：
- 推理速度慢：每个点都要通过网络前向传播
- 难以可视化：需要先提取等值面（用Marching Cubes算法）
- 训练不稳定：隐式函数的优化比较困难
为什么Occupancy Network选择隐式表示？
因为隐式表示可以连续地、高精度地描述3D空间。你想想看，体素是离散的，点云是稀疏的，网格是表面的。而隐式表示可以告诉你空间中每一个点的占据情况——这正是障碍物检测需要的。
2.5 四种方法的对比总结
| 特性 | 体素 | 点云 | 网格 | 隐式表示 |
|---|---|---|---|---|
| 数据结构 | 3D数组 | 点集 | 顶点+面片 | 函数/网络 |
| 内存占用 | 高（随分辨率立方增长） | 低（只存有效点） | 中（取决于三角形数量） | 低（只存网络参数） |
| 精度 | 受分辨率限制 | 高（浮点坐标） | 高（可细化） | 理论上无限 |
| 深度学习友好度 | 高（3D CNN） | 中（需特殊网络） | 低（拓扑不固定） | 高（NeRF, Occupancy Network） |
| 推理速度 | 快 | 快 | 慢 | 慢（逐点查询） |
| 适用场景 | 语义分割、检测 | 检测、跟踪 | 重建、渲染 | 新视图合成、占用预测 |
我的个人经验：在实际项目中，我通常混合使用多种表示。比如用体素做粗检测（快速定位障碍物），然后用隐式表示做精细形状重建。这样既保证了速度，又保证了精度。你想想看，这不就是取长补短吗？
2.6 小结
好了，四种3D表示方法讲完了。我再说说我的理解：
- 体素：简单粗暴，适合做3D卷积，但内存是硬伤
- 点云：最接近传感器，数据紧凑，但无序性让网络设计头疼
- 网格：渲染和建模的王者，但深度学习不太待见它
- 隐式表示：新宠儿，灵活且强大，但速度是瓶颈
下一章我们会深入Occupancy Network，看看它如何用隐式表示来做障碍物检测。到时候你会看到，这些基础概念是怎么串起来的。
嗯，今天就到这里。有问题随时问我。