三维点云处理从入门到精通：算法原理+实战落地，构建自动驾驶与机器人感知核心能力（附源码课件）

课程简介

本课程专为有志于从事自动驾驶、机器人导航、三维视觉、激光雷达感知等领域的学习者设计。课程系统覆盖三维点云处理的完整技术链路，从点云数据基础、滤波降噪、特征提取，到分割聚类、目标检测识别、SLAM建图，再到深度学习在点云上的前沿应用（PointNet/PointNet++、3D目标检测），帮助学员建立扎实的理论基础与工程落地能力。

推荐语言

一、核心语言

• C++（PCL/Open3D底层开发、高性能点云处理）

• Python（算法快速原型验证、深度学习模型训练）

• CMake（C++项目构建与管理）

二、核心算法与技术模块

基础篇

• 点云数据表示：xyz格式、PCD格式、LAS格式、二进制与ASCII存储

• 坐标系转换：世界坐标系、相机坐标系、激光雷达坐标系变换（刚体变换、欧拉角、四元数）

• 滤波降噪：体素滤波（Voxel Grid）、半径滤波（Radius Outlier Removal）、统计滤波（Statistical Outlier Removal）、直通滤波（PassThrough）

特征提取与描述

• 关键点检测：ISS、NARF、Harris3D

• 特征描述子：FPFH、PFH、SHOT、Spin Image

分割与聚类

• 基于模型的分割：RANSAC（平面、圆柱、球体拟合）

• 基于聚类的分割：DBSCAN、欧氏聚类、区域生长（Region Growing）、超体素（Supervoxel）

配准与建图

• 点云配准：ICP（Iterative Closest Point）、NDT（Normal Distributions Transform）、多尺度ICP

• SLAM建图：LOAM（Lidar Odometry and Mapping）、LeGO-LOAM、SC-LeGO-LOAM

三维目标检测

• 传统方法：基于聚类+分类器的检测

• 深度学习方法：PointNet、PointNet++、PointPillars、VoxelNet、CenterPoint

语义分割

• 点云语义分割：PointNet++语义分割、RandLA-Net、SparseConvNet

• 实例分割：点云实例分割、Panoptic Segmentation

三、核心工具与框架

• PCL（Point Cloud Library）：工业级C++点云处理库（涵盖所有经典算法实现）

• Open3D：Python/C++双接口现代点云处理库

• ROS/ROS2：机器人操作系统（点云消息通信、RViz可视化）

• 深度学习框架：PyTorch / TensorFlow（用于PointNet、3D检测模型训练）

• 可视化工具：CloudCompare（点云标注与查看）、MeshLab、RViz、Matplotlib（3D可视化）

• 数据集：KITTI、nuScenes、Waymo Open Dataset、SemanticKITTI、ModelNet40

四、实战项目（贯穿课程）

• 项目一：基于PCL的手写点云预处理管线（滤波 + 分割 + 特征提取）

• 项目二：激光雷达SLAM系统搭建（LOAM算法从零实现）

• 项目三：三维目标检测模型训练与部署（PointPillars + 实时推理）

• 项目四：点云语义分割实战（基于RandLA-Net + SemanticKITTI数据集）

• 项目五：点云配准系统（ICP + NDT + 全局配准）

五、开发环境与工具

• 操作系统：Ubuntu 18.04/20.04（推荐，课程基于Linux开发）

• 编译器：g++、CMake 3.10+

• Python环境：Anaconda（管理虚拟环境）

• CUDA：可选，用于深度学习训练加速

• Docker：提供预配置的开发环境镜像

• 版本控制：Git（源码管理与协作）

下载地址