1. 雷达点云基础：激光雷达工作原理、点云数据格式、点云坐标系与变换

大家好，欢迎来到我们雷达点云处理的第一课。我是你们的老朋友，一个在雷达感知领域摸爬滚打了十来年的工程师。今天咱们聊聊最基础的东西——激光雷达是怎么工作的，点云数据长什么样，以及那个让人头疼的坐标系变换。

说实话，我刚入行那会儿，觉得点云就是一坨带坐标的点，没什么了不起。直到第一次调试多传感器融合，发现雷达和摄像头对同一个物体的位置描述差了十万八千里……嗯，从那以后我再也不敢小看坐标系变换了。

1.1 激光雷达工作原理

激光雷达，英文叫LiDAR（Light Detection And Ranging）。说白了，就是通过发射激光束，测量目标距离的传感器。你想想看，它就像一只蝙蝠，只不过蝙蝠用超声波，我们用激光。

工作原理其实不复杂：

• 发射激光脉冲：激光器发出一束极短的红外激光脉冲
• 反射接收：激光打到物体表面后反射回来，被接收器捕获
• 计算距离：根据发射和接收的时间差，用光速算出距离
• 确定角度：通过旋转机构或固态扫描，知道激光束的发射角度
• 生成点云：每个激光束返回一个点，包含距离、角度、反射强度等信息

我在项目中遇到过一种情况：雨天激光雷达的探测距离会大幅下降。因为雨滴会散射激光，导致回波信号变弱。所以做自动驾驶的朋友，千万别指望激光雷达在暴雨天还能看得清200米外的行人。

1.2 点云数据格式

点云数据，本质上就是一个三维空间中的点集合。每个点通常包含以下信息：

最常见的点云数据格式是PCD（Point Cloud Data）和PLY。我个人习惯用PCD格式，因为它结构简单，解析起来不费劲。下面是一个PCD文件的片段：

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity ring
SIZE 4 4 4 4 2
TYPE F F F F U
COUNT 1 1 1 1 1
WIDTH 1000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 1000
DATA ascii
1.234 2.345 3.456 128 0
1.235 2.346 3.457 200 1
...

注意看那个HEIGHT 1，这表示是无序点云。如果HEIGHT大于1，那就是有序点云，像图像一样有行列结构。我建议初学者先处理无序点云，逻辑更简单。

import open3d as o3d
pcd = o3d.io.read_point_cloud("scan.pcd")
points = np.asarray(pcd.points)

1.3 点云坐标系与变换

坐标系这块，是新手最容易翻车的地方。我曾经在项目里因为坐标系搞反了，导致融合后的目标位置偏了整整两米……排查了三天才发现问题。

常见的坐标系有：

• 激光雷达坐标系：以激光雷达自身为原点，x轴朝前，y轴朝左，z轴朝上（右手系）
• 车体坐标系：以车辆后轴中心为原点，x轴朝前，y轴朝左，z轴朝上
• 世界坐标系：通常是UTM坐标系或经纬度，用于全局定位

为什么要做坐标系变换？因为激光雷达装在车上，它看到的是「雷达坐标系」下的点。但我们要知道这些点相对于车的位置，甚至相对于地图的位置。这就涉及到刚体变换：

# 点云从雷达坐标系变换到车体坐标系
import numpy as np

def transform_point_cloud(points, rotation_matrix, translation_vector):
    """
    points: Nx3 的点云数组
    rotation_matrix: 3x3 旋转矩阵
    translation_vector: 3x1 平移向量
    """
    # 齐次坐标变换
    transformed = (rotation_matrix @ points.T).T + translation_vector
    return transformed

# 举个例子：雷达装在车顶，向前偏移0.5米，向上偏移1.2米
R = np.eye(3)  # 假设雷达和车体朝向一致
t = np.array([0.5, 0.0, 1.2])
points_car = transform_point_cloud(points_lidar, R, t)

关于坐标系变换，有几点要记住：

1. 旋转矩阵是正交矩阵：它的逆等于它的转置，可以用来反向变换
2. 变换顺序很重要：先旋转，再平移。顺序反了结果完全不对
3. 欧拉角有万向锁问题：我建议用四元数或旋转矩阵，别用欧拉角

最后，给大家一个实用建议：在代码里统一用齐次坐标（4x4矩阵）来表示变换。这样旋转和平移可以一次搞定，代码更简洁，也不容易出错。

# 齐次变换矩阵
T = np.eye(4)
T[:3, :3] = R  # 旋转部分
T[:3, 3] = t   # 平移部分

# 点云齐次化
points_hom = np.hstack([points, np.ones((points.shape[0], 1))])
points_transformed = (T @ points_hom.T).T[:, :3]

好了，这一章的内容就到这里。下一章我们会讲点云滤波和地面分割，到时候会用到今天学的坐标系变换知识。有什么问题欢迎在评论区交流，咱们下期见！

公众号:蓝海资料掘金营，微信deep3321