點云處理
關注創建者：匿名 創建時間：2026-01-04
點云處理的實例教程
激光雷達的反射點信息包含了距離、時間和水平角度（Azimuth）等信息，同時結合激光發射器的固定垂直角度，即可以計算出反射點的坐標信息，每一次掃描中反射點的集合即為點云（Point Cloud）。而伴隨著激光雷達的高精度帶來的數據量爆發，點云數據的實時處理就成為工程師要面對的一大挑戰。
當前階段工程師處理點云的校準、分類和分割等任務。利用PCL（點云庫）我們可以實現抽取點云特征、處理目標分類、目標分割及可視化等需求。同時在處理點云數據的同時也需要同步的考慮其他信號的接入，如視頻、毫米波、各類總線信號等。
因此能否有合適的工具既可以同步的采集所需的各種數據，又能夠方便的支撐工程師去進行開發，就是智能駕駛開發工程師需要直接面對的一個問題。
點云數據實時處理
ViCANdo Suite是針對智能駕駛功能的開發和測試平臺，能夠同步的采集所需的各類數據，包括但不限于如下列表中的數據源，同時工具集成PCL（點云庫），工程師可以直接使用PCL來進行相關的開發。
展開 4.路徑平滑優化
應用樣條曲線（如B樣條、NURBS）對連接點進行平滑處理，確保測量運動平穩，減少動態誤差。
此過程將工程師的經驗轉化為精確的數學規則，實現測量過程“零碰撞”與效率最大化。
溫度補償技術：材料膨脹系數如何融入實時修正算法？
溫度變化是微米級測量的“隱形殺手”?，F代三坐標測量機溫度補償技術融合材料科學與實時算法：
1.雙維度補償
（1）設備補償：基于機體溫感網絡實時數據，利用機床材料（如花崗巖、陶瓷、鋼）的已知熱膨脹系數(CTE)，通過空間網格模型補償因溫度梯度導致的CMM結構變形。
（圖：中圖三坐標）
（2）工件補償：核心難點。需輸入被測工件材料的精確CTE（或從數據庫匹配）。補償算法依據實時工件溫度(通常通過非接觸紅外測溫或多點接觸測溫獲取)與標準溫度（如20℃）的差值ΔT，對每個測量點坐標進行動態修正：`補償值 = 原始坐標 * CTE * ΔT`。
2.實時算法融合
補償計算需在毫秒級完成，內嵌于CMM控制系統的實時內核。算法需高效處理空間坐標變換，將溫度影響量實時疊加到測量結果上。
3.多傳感器數據融合
整合機體溫感數據、工件溫感數據、環境溫濕度數據，構建綜合補償模型，顯著提升復雜工況下的測量可靠性。
點云數據處理：從海量掃描點到形位公差報告的生成流程
從密集掃描點到直觀的形位公差報告，需經歷嚴謹高效的數據處理鏈：
1.數據采集與預處理
（1）掃描路徑規劃：依據待測特征（自由曲面、孔、槽等）智能生成最優點云采集路徑。
（2）點云去噪濾波：應用統計濾波、半徑濾波、高斯濾波剔除離群噪點與異常值。
展開 數據處理
激光雷達點云生成采用QX-PCP軟件。軟件為全中文界面、向導式流程，一站式完成航跡解算、點云解算、點云處理等工作。
分鐘級點云生成界面
數據成果
軟件后處理部分具有點云編輯、渲染、去噪、分類、直接賦色等常用功能。去噪分類后點云如下所示。
分類后點云
處理后真彩色點云
雷達自帶全畫幅相機，獲取點云的同時，可以獲取到正射影像，讓外業效率翻倍。下圖是正射影像局部，細節清楚、色彩一致、效果良好，滿足數字化地圖需求。
局部DOM
成果評價
QX1-1845RK激光雷達，以其較長的測程和較高點密度的特點，表現出非常優秀的穿透能力，河道兩岸的各類植被、莊稼等悉數被穿透，點云分類濾波后可以直接得到地面高程。
植被穿透性
地面點平均點云密度為18個/米2
整套方案以強耦合的方式連接，運行穩定性較好，最終得到成果點云厚度較薄，小于5cm，同時對點云精度有較好的保證，可以輕松達到1:500要求，如下圖所示。
展開 實驗結果表明，這種端對端的方式可以自動地從點云中學習到可用的信息，比手工設計特征的方式更為高效。
VoxelNet 網絡結構
PointNet++ 該方法的前身是 PointNet，由斯坦福大學的研究者在 2017 年發表，這也是點云處理領域的開創性工作之一。PointNet 處理的是點云分類任務，其主要思路是直接處理原始的點云。除了一些幾何變換之外，PointNet 主要有兩個操作：MLP（多個全連接層）提取點特征，MaxPooling 得到全局特征。物體分類網絡采用全局特征作為輸入，而分割網絡則同時采用全局特征和點特征。
簡單來說，你可以把 PointNet 分類網絡看做一個分類器，比如可以理解為傳統方法中的 SVM。但是要進行物體檢測的話，就還需要一個類似于 Sliding Window 的機制，也就是說在場景內的各個位置應用 PointNet 來區分物體和背景，以達到物體檢測的效果。當然對于相對稀疏的點云數據來說，這種做法是非常低效的。因此，PointNet 的作者同年就提出了升級版本，也就是 PointNet++。
其主要思路是用聚類的方式來產生多個候選區域（每個區域是一個點集），在每個候選區域內采用 PointNet 來提取點的特征。這個過程以一種層級化的方式重復多次，每一次聚類算法輸出的多個點集都被當做抽象后的點云再進行下一次處理（Set Abstraction，SA）。這樣得到的點特征具有較大的感受野，包含了局部鄰域內豐富的上下文信息。最后，在多層 SA 輸出的點集上進行PointNet分類，以區分物體和背景。同樣的，這個方法也可以做點云分割。
展開 第二種方法則是將點云處理成二維數據，這可以降低計算量，但不可避免地會丟失原始數據的一些特征。圖 3 給出了一個使用 3D 激光雷達點云數據執行檢測的例子。
圖 3：通過 YOLO 使用 3D 點云的目標檢測示例
將點云處理成二維數據的方法有很多。Jansen [31] 提出從多個 2D 角度表示 3D 點云。在其數據預處理階段，通過取點云圖像的中心作為原點，并通過旋轉固定的弧度角來截取 64 張不同角度的點云圖像。這種方法能在一定程度上減少信息損失，因為其中加入了額外的旋轉，并在分類階段使用了許多實例。[32] 等研究則是將點云投射到一個圓柱面上，以盡可能多地保留信息。
BirdNet+ [33] 是基于目標檢測框架 BirdNet [34] 的改進版。BirdNet+ 為基于激光雷達數據的 3D 目標檢測提供了一種端到端的解決方案。它用到了鳥瞰視角表征，這是從激光雷達點云轉換而來的帶有三個通道的 2D 結構，依賴于一個兩階段架構來獲取面向 3D 的邊界框。
近期，[35] 提出了一種計算高效的端到端式魯棒型點云對齊和目標識別方法，該方法使用了無監督深度學習，并被命名為深度點云映射網絡（DPC-MN）。該模型的訓練無需標簽，而且能高效地實現從 3D 點云表征到 2D 視角的映射函數。
4.3 結合 RGB 圖像與點云的目標檢測
Frustum PointNets [36] 同時使用 RGB 圖像和激光雷達點云數據來執行 3D 目標檢測。該算法使用成熟的 2D 目標檢測器來縮小搜索空間。
展開 
點云處理的最新內容
傳統尺寸工程的開發革命與創新范式
國產公差仿真軟件的尺寸工程實踐:3DCC 在汽車行業的應用與創新
高精度在線測量與尺寸數據平臺建設實戰方案
傳統尺寸工程的開發革命與創新范式
Al+Data+VR:DTAS 3D 公差仿真軟件
智能·感知解決方案
尺寸工程從設計至量產的精致工藝表達
智能點云處理以及虛擬裝配方案
智能避撞算法、溫度補償技術、點云智能處理，掌握這些核心算法，就掌握了在微觀尺度上洞察質量、驅動精造的“金鑰匙”。隨著AI與工業物聯網的滲透，三坐標測量技術將持續突破物理極限，為智能制造提供更強大的質量保障基石。
（2）數據轉換：將原始數據轉化為康謀格式，統一處理點云、圖像和標定信息。
（3）自動標注： 利用aiData工具鏈去除動態目標、生成GT數據，實現非因果式追蹤。
環視系統自動標注
（4）神經網絡訓練： 使用NeRF/3DGS算法生成高精度三維場景。
07、基于點云的表面特征分析及裝配
點云數據處理成是現代制造中的一項重要技術，但在實際應用中，尤其是對于批量少、造價高、零件多、結構復雜的高精度產品，傳統的裝配方式往往難以應對，且裝配過程中常常占據了產品總制造時間的50%以上，容易出問題。特別是目前缺乏點云裝配分析工具，使得制造企業在設計與裝配階段面臨諸多挑戰。
滿足不同用戶的數據處理需求
? 多線程并行處理，充分利用服務器性能，實現加速
? 靈活配置數據源，兼容不同數據采集工具的數據類型
? 支持EB級別數據的快速挖掘和關鍵場景的快速提取
? 多模態大模型對多源數據進行深度特征提取
? 支持復雜場景理解和挖掘，模型挖掘準確率高
? 內置算子庫，高效管理挖掘規則和KPI評價指標
? 提供圖像和點云預處理模塊
圖 預測實際零件在指定（車輛）位置夾緊/焊接時的幾何形狀
從物理掃描數據到虛擬裝配仿真，這個過程中的關鍵技術是如何把掃描的幾何點云數據考慮到虛擬裝配仿真中，海克斯康制造智能開發了基于掃描點云的網格處理技術（Morph），并將其集成到Simufact Welding 的新版本中，該技術將掃描的點云數據與標稱幾何的網格模型或沖壓仿真的結構網格模型進行一鍵自動合成，將實際結構沖壓中的變形云圖考慮到子裝配和總成裝配模擬中
1 相關研究
點云用于描述三維空間物體表面信息，每個點都包含三維坐標，也可能包含深度、密度、顏色信息等，相比于二維圖像數據，特征準確，更接近人類的視覺，更容易理解三維場景，但存在無序性、密度不一致、信息不完整等特點，對點云數據處理比較復雜和困難[10]。
數據處理的結果將影響模型重構的質量，通過CATIA軟件下“形狀”菜單“Digitized shape editor”及“Quick Surface reconstruction”模塊中各個工具進行數據分塊、數據光順、噪點濾波、特征提取、坐標重置等，完成點云數據處理工作，方便下一步逆向設計工作。
如下視頻2所展示的為TI實驗室采用毫米波雷達在移動機器人上進行障礙物跟蹤與識別的效果，算法將毫米波雷達獲取到的數據處理后輸出點云信息和障礙物的位置信息，視頻中可以看到毫米波雷達可以很輕松地在靜止或移動的情況下識別并跟蹤目標障礙物。
CATIA V5數字化外形編輯（DSE：CATIA Digitized Shape Editor）
可以方便快捷的導入多種格式的點云文件，如：Ascii free、Atos、Cgo等十余種，還提供了數字化數據的輸入、整理、組合、壞點剔除、截面生成、特征線提取、實時外形質量分析等功能，對點云進行處理，根據處理后的點云直接生成車身覆蓋件的曲面。
