激光雷达的输出结果是点云数据，本质上是由其测量原理、扫描方式和核心目标（三维空间感知） 共同决定的，是技术逻辑与应用需求结合的必然结果。要理解这一点，需要从激光雷达的 “测量单元”“扫描逻辑” 和 “数据价值” 三个层面拆解：

1. 根本原因：激光雷达的 “最小测量单元” 是 “单个激光点”

激光雷达的核心功能是测量 “自身与目标表面某一点的距离”，其最基础的测量过程只能针对 “单个空间点”—— 这是由激光的物理特性和测距原理决定的：

• 激光具有高度方向性（光束发散角极小，通常仅毫弧度级），一束激光在传播过程中只会聚焦于目标表面的 “一个极小区域”（可近似为 “一个点”）。
• 无论是主流的飞行时间法（TOF） 还是相位差法，激光雷达的测距逻辑都是：针对这束激光照射的 “单个点”，计算其往返时间（或相位差），再结合激光发射时的 “方向角度”（水平角、垂直角），最终确定这个点在三维空间中的坐标（X、Y、Z）。

简单来说：一次激光发射→一次距离测量→得到一个三维坐标点。这是激光雷达最基础的 “数据产出单元”，无法直接生成连续的 “面” 或 “体”。

2. 关键逻辑：通过 “扫描” 将 “单点” 拼接成 “点云”

现实场景中，我们需要感知的是整个目标区域（如道路、建筑、森林）的三维形态，而非单个点。因此，激光雷达必须通过 “扫描系统”（如机械旋转镜、MEMS 振镜、光学相控阵）让激光束 “遍历” 目标区域，将无数个 “单点测量结果” 拼接起来 —— 这就形成了点云。

扫描过程的本质是 “系统性地改变激光发射方向”，具体可理解为：

• 例如，车载机械激光雷达通过 “水平 360° 旋转”+“垂直方向角度划分”（如 128 线、256 线），让激光束像 “编织渔网” 一样覆盖周围环境：每旋转一个微小角度、每一个垂直通道，就完成一次单点测量，最终生成数万 / 数十万 / 数百万个三维点。
• 又如，测绘用的机载激光雷达（LiDAR）会随飞机飞行，按固定频率发射激光束，同时通过 GPS（定位自身位置）和 IMU（测量飞行姿态），将每一个激光点的坐标统一到 “大地坐标系” 中，形成覆盖大面积地形的点云。

这些 “离散但密集” 的三维点，共同构成了目标区域的 “空间轮廓快照”—— 即点云数据。

3. 数据价值：点云是 “兼顾精度与灵活性” 的三维表达

从应用需求来看，点云数据是激光雷达实现 “高精度三维感知” 的最优形式之一，原因在于：

• 保留原始精度：每个点都是 “直接测量的原始数据”，没有经过 “面拟合”“插值” 等近似处理，能最大程度保留目标表面的细节（如建筑的棱角、树木的枝干、路面的坑洼），这对测绘、自动驾驶等对精度要求极高的场景至关重要。
• 适配多样化处理：点云可以根据需求灵活转化为 “面”（如通过泊松重建生成三维模型）、“体”（如计算目标体积）或 “特征信息”（如提取车辆的轮廓、行人的高度），而如果直接输出 “连续面模型”，反而会丢失原始细节，限制后续应用的灵活性。
• 适应复杂场景：对于非规则目标（如森林、山脉、复杂机械零件），连续的 “面模型” 难以准确描述其形态，而点云通过 “密集点的堆叠”，可以自然还原这些复杂结构 —— 例如，森林测绘中，点云能区分树冠、树干的位置，甚至估算单棵树的胸径、高度。

总结：点云是 “单点测量→扫描拼接→三维表达” 的必然结果

激光雷达的本质是 “用激光点批量测量空间坐标”：

• 物理原理决定了它只能先获取 “单个三维点”；
• 扫描系统通过 “遍历目标区域” 将单点拼接成 “密集点集”；
• 点云的离散特性又能兼顾 “原始测量精度” 和 “后续处理灵活性”，完美匹配三维感知的应用需求。

因此，点云数据不是激光雷达 “选择输出的格式”，而是其技术原理和应用目标共同决定的 “天然输出形态”。