Point Cloud

又稱: 3D Point Cloud, Point Cloud Data, PCD
類別: Sensing › Perception outputs
標籤: perception, 3d, sensors, mapping, segmentation

代表物體表面的 3D 資料點集合，由光達（LiDAR）或深度攝影機擷取。

定義

點雲是由感測器量測到、代表物體與環境表面的 3D 資料點集合。每個點至少包含 X、Y、Z 座標，也可能包含其他屬性，例如顏色（RGB）、強度、表面法向量或語意標籤。

點雲的產生方式： - 光達（LiDAR）感測器：發射雷射脈衝並量測回波時間，建立密集的 3D 掃描。產生高度準確、長距離的點雲（可達數百公尺）。 - 深度攝影機：Intel RealSense、Microsoft Azure Kinect 與類似裝置，以結構光或飛行時間量測產生點雲。典型範圍為 0.3 到 10 公尺。 - 立體攝影機組：在兩台攝影機之間對匹配的特徵做三角測量來計算深度。以軟體為基礎，使用標準的 RGB 相機。 - 攝影測量：從多張重疊的照片重建 3D 點雲。用於測繪與檢測。

點雲的常見操作： - 濾波：移除雜訊、離群值或地面點。體素網格降採樣能在保留結構的同時降低密度。 - 分割：把點雲分成有意義的群集（個別物體、表面、區域）。方法包括歐氏分群、RANSAC 平面擬合，以及 PointNet 等深度學習方法。 - 配準：把從不同位置擷取的多個點雲對齊成單一連貫的模型。ICP（Iterative Closest Point，迭代最近點）是經典的演算法。 - 物體偵測：辨識並分類點雲中的物體。對自動駕駛與機器人操作至關重要。 - 表面重建：把離散的點轉換成連續的網格表面，供 CAD、模擬或視覺化使用。

Point Cloud Library（PCL）與 Open3D 是機器人領域中點雲處理的兩大主流開源函式庫。ROS 透過 sensor_msgs/PointCloud2 訊息類型整合點雲資料。

為何重要

點雲是 3D 感知的共通貨幣，光達（LiDAR）、深度攝影機與攝影測量都以這種格式呈現它們看到的世界。了解它很重要，因為幾乎每一條 3D 處理流程都是一連串對點雲的操作：濾波、降採樣、分割、配準、擬合。它的決定性特性是沒有結構。與影像不同，點雲沒有網格，也沒有鄰近關係，這就是為什麼 3D 處理需要不同的工具組，也是為什麼天真的處理方式往往慢到無法使用。

主要應用

根據深度感測器輸出進行物體分割與抓取規劃
配準與對齊：把多次掃描拼接起來，或把掃描與 CAD 模型比對
在雜亂空間中為運動規劃進行佔據與碰撞檢查
表面重建：把零散的點轉換成網格，用於模擬或列印
檢測與計量：把竣工掃描與標稱幾何比較
腿式與越野機器人的地形分析，分類可通行的地面

實際應用

典型的操作流程會取得深度攝影機的原始點雲並立即加以精簡：裁切到工作範圍、以體素網格降採樣、移除統計離群值，接著分割出主要平面，把桌面與桌上的物體分開。剩下的部分再分群為可供抓取的候選物體。這一連串步驟（通常以 Point Cloud Library 或 Open3D 建構）之所以存在，是因為單一幀的原始點雲可能包含數十萬個點，其中絕大多數是地板、牆壁或雜訊。

常見誤解

點雲就是 3D 模型：它是一組樣本，沒有表面、拓撲或內部；把它轉成網格是另一個獨立且會損失資訊的步驟
越密的點雲越好：超過所關注特徵尺寸的密度，大多只會增加處理成本
點雲是沒有雜訊的量測：每個點都帶有感測器誤差，且誤差隨距離與入射角而增加
不同感測器的點可以直接合併：點雲必須先轉換到共同的座標系，這需要準確的外部參數校正

誰需要了解

任何撰寫使用深度攝影機或光達（LiDAR）輸出之感知程式的人
分析一條跟不上感測器速度之 3D 處理流程效能的工程師
把多個 3D 感測器整合成單一連貫視圖的開發者
想了解 3D 視覺函式庫為何與 2D 影像處理差異如此之大的學生
任何把掃描轉換成網格，用於模擬、CAD 或製造的人

影片

What are Point Clouds, And How Are They Used?: dronegenuity

維基百科

點雲

Open Source Robotics