第2章：环境搭建与工具链

说实话，每次带新人入门，我最怕的就是环境搭建这一步。

明明代码逻辑都懂，结果卡在装包、配路径上，一折腾就是半天。我自己刚入行那会儿，也踩过不少坑。所以这一章，咱们就把这些基础工具链捋清楚。

2.1 Python环境配置

做毫米波雷达算法，Python 3.8以上版本基本够用。我个人习惯用 Anaconda 来管理环境，省心。

安装步骤很简单：

1. 去官网下载Anaconda（Python 3.x版本）
2. 一路默认安装，记得勾选“Add Anaconda to my PATH”
3. 打开终端，输入 conda --version 验证

然后创建一个专门用于雷达点云的环境：

conda create -n radar_env python=3.9
conda activate radar_env

2.2 NumPy / SciPy 安装

这两个库是雷达数据处理的核心。NumPy处理数组，SciPy提供高级算法。

安装命令：

pip install numpy scipy

或者用conda：

conda install numpy scipy

我个人更推荐conda安装，因为它会自动处理底层依赖，比如BLAS、LAPACK这些线性代数库。用pip有时候会遇到编译问题，尤其是Windows用户。

验证安装：

import numpy as np
print(np.__version__)

from scipy.spatial import KDTree
print("SciPy KDTree ready")

嗯，这里要注意：KDTree在点云聚类中会频繁用到。后面讲DBSCAN时，你会发现它比暴力搜索快好几个数量级。

2.3 Open3D 可视化库

做点云算法，没有可视化工具，就像闭着眼睛开车。Open3D是我最常用的库，轻量、跨平台、API设计也很直觉。

安装：

pip install open3d

如果你在Linux上装，可能会遇到 libGL 缺失的问题。别慌，执行：

sudo apt-get install libgl1-mesa-glx

一个简单的可视化示例：

import open3d as o3d
import numpy as np

# 生成随机点云
points = np.random.rand(1000, 3)
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)

# 可视化
o3d.visualization.draw_geometries([pcd])

Open3D还支持点云滤波、法线估计、ICP配准等。后面章节我们会深入使用。

2.4 ROS驱动简介

ROS（Robot Operating System）是机器人领域的“操作系统”。对于毫米波雷达，ROS驱动负责把雷达的原始数据包解析成点云消息。

常见的雷达ROS驱动包：

雷达型号	ROS驱动包名	发布的话题
TI IWR6843	ti_mmwave_rospkg	/mmWaveDataHdl/Scan
Conti ARS408	conti_radar	/radar/points
Delphi ESR	delphi_esr	/delphi_esr/points

安装ROS驱动的一般步骤：

1. 安装ROS（推荐Noetic或Melodic）
2. 创建工作空间：mkdir -p ~/catkin_ws/src
3. 克隆驱动包到 src 目录
4. 编译：catkin_make
5. 启动：roslaunch ti_mmwave_rospkg 6843_multi_3d.launch

解析bag文件示例：

import rosbag
from sensor_msgs.msg import PointCloud2
import sensor_msgs.point_cloud2 as pc2

bag = rosbag.Bag('radar_data.bag')
for topic, msg, t in bag.read_messages(topics=['/radar/points']):
    points = list(pc2.read_points(msg, field_names=("x", "y", "z")))
    print(f"获取到 {len(points)} 个点")
    break  # 只取第一帧演示
bag.close()

嗯，这里要注意：ROS的PointCloud2消息格式比较灵活，但解析时字段名一定要和雷达驱动发布的一致。有的驱动用 x, y, z，有的用 X, Y, Z，大小写敏感。

2.5 环境验证脚本

最后，我习惯写一个验证脚本，确保所有工具都正常工作：

import numpy as np
from scipy.spatial import KDTree
import open3d as o3d

print("NumPy版本:", np.__version__)

# 生成测试点云
points = np.random.rand(100, 3)
tree = KDTree(points)
dist, idx = tree.query([0.5, 0.5, 0.5], k=5)
print("KDTree查询成功，最近点索引:", idx)

# Open3D可视化
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points)
o3d.io.write_point_cloud("test.pcd", pcd)
print("PCD文件保存成功")

print("环境搭建完成！")

如果这个脚本能顺利跑完，恭喜你，环境搭建就搞定了。后面我们就可以专心做算法了。