上篇把2D激光雷达的数据处理讲了一遍，从极坐标序列到笛卡尔坐标，再到滤波、聚类、避障。但现在的机器人和自动驾驶项目，用的基本都是3D激光雷达了。3D雷达的数据量比2D大了不止一个数量级，处理方式也完全不同。

之前面试一家做自动驾驶的公司，面试官问我："你处理过多大的点云？一帧多少点？处理延迟多少？"我当时只说了个大概数字，具体的处理流程和优化手段没讲清楚，面试官明显不太满意。

今天就把3D激光雷达数据处理这件事从头到尾捋一遍。从点云的数据结构、主流文件格式、PCL和Open3D两大工具库，到完整的处理流程，一次讲明白。

点云的数据结构

3D激光雷达每一帧输出的是一组三维空间中的点集合，叫做点云（Point Cloud）。每个点最基本的信息就是三维坐标(x, y, z)。除此之外，很多雷达还会附带反射强度intensity、回波次数echo、时间戳timestamp等附加信息。

用ROS2的消息类型来描述，就是sensor_msgs/PointCloud2：

# PointCloud2消息的核心字段
header          # 时间戳 + 坐标系ID
height          # 有序点云的行数（无序时为1）
width           # 有序点云的列数（无序时为点数）
fields[]        # 每个字段的描述（x/y/z/intensity等）
is_bigendian    # 字节序
point_step      # 每个点的字节数
row_step        # 每行的字节数
data[]          # 原始二进制数据
is_dense        # 是否无无效点

PointCloud2的设计比较底层，直接操作二进制数据效率最高但很不方便。实际开发中一般会把它转换成更容易处理的结构。

PCL（Point Cloud Library）里的pcl::PointCloud<T>是最经典的点云结构：

#include <pcl/point_cloud.h>
#include <pcl/point_types.h>

// 最常用的点类型
pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(
    new pcl::PointCloud<pcl::PointXYZ>);

// 带颜色和反射强度的
pcl::PointCloud<pcl::PointXYZI>::Ptr cloud_i(
    new pcl::PointCloud<pcl::PointXYZI>);

// 带RGB颜色的
pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud_rgb(
    new pcl::PointCloud<pcl::PointXYZRGB>);

Python生态里用的是Open3D：

import open3d as o3d

pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(xyz_array)
pcd.colors = o3d.utility.Vector3dVector(rgb_array)

PCL和Open3D的选型是个常见问题。PCL是C++库，功能最全，性能最好，工业项目首选。Open3D是Python库，API更友好，可视化能力强，适合快速原型和算法验证。很多团队的 workflow 是：用Open3D做算法验证，确认效果后用PCL的C++接口重写到生产代码里。

一帧3D点云有多少点？这取决于雷达型号。Velodyne VLP-16是16线，每帧大约30000个点。Velodyne HDL-64是64线，每帧大约130000个点。Livox Mid-40用的是非重复扫描模式，每帧可以达到240000个点。到了RoboSense的128线雷达，单帧点数更多。

点数直接决定了后续算法的计算量。30000个点的处理时间可能在10毫秒以内，但130000个点就可能到50毫秒。如果你的系统要求实时处理（比如自动驾驶要求10Hz以上），就必须在算法层面做优化。

主流点云文件格式

开发过程中经常需要保存和加载点云数据。了解主流文件格式很重要。

PCD格式是PCL的原生格式，分ASCII和二进制两种。ASCII方便调试但文件大，二进制文件小但不可读。实际项目都用二进制：

# PCL保存和读取PCD
import pcl
cloud = pcl.load("scan.pcd")
pcl.save(cloud, "filtered.pcd", format="pcd")

PLY格式是一种通用的3D数据格式，支持点云和网格。它的特点是可以用ASCII模式方便地查看内容，也支持二进制模式。很多三维重建工具输出PLY格式。

LAS/LAZ格式是测绘行业的标准格式。LAZ是LAS的压缩版，文件体积能缩小到原来的10%-20%。如果你的机器人项目涉及室外大场景建图，可能会遇到这种格式。

二进制自定义格式在很多公司的内部项目中很常见。通常是直接内存dump，读写速度最快，但没有通用工具能查看。好处是零解析开销，坏处是换了平台可能要处理字节序问题。

面试时候被问到"你用过什么点云格式"，不要只说PCD。把PLY、LAS也提一下，说明你了解不同场景下的选型，这比只认识一种格式加分不少。

点云的读取和可视化

拿到点云数据之后，第一步通常是可视化看看效果。

Open3D的可视化非常简单：

import open3d as o3d

pcd = o3d.io.read_point_cloud("scan.pcd")
print(f"点数: {len(pcd.points)}")
print(f"包围盒: {pcd.get_axis_aligned_bounding_box()}")

# 交互式可视化
o3d.visualization.draw_geometries(
    [pcd],
    window_name="Point Cloud Viewer",
    width=1280, height=720
)

PCL的可视化稍微复杂一点，但功能更强：

#include <pcl/visualization/cloud_viewer.h>

pcl::visualization::CloudViewer viewer("Simple Viewer");
viewer.showCloud(cloud);

while (!viewer.wasStopped()) {
    // 主循环
}

在ROS2里，直接把PointCloud2消息发布到一个topic上，Rviz2就能显示。这是调试时最常用的方式，因为可以实时看到传感器数据。

可视化时候有个容易忽略的问题：坐标系。点云数据是在雷达坐标系下的，直接显示可能方向不对。你需要确认坐标系的定义——ROS2里用的是REP-103标准，X前Y左Z上。如果你的雷达坐标系不是这个约定，显示出来的点云方向会跟你预期的不一样。

面试中怎么聊

面试官问3D点云处理，你可以按这个框架回答：先说数据结构（PointCloud2消息、PCL和Open3D的点云类型），再说文件格式（PCD、PLY、LAS的应用场景），然后讲处理流程（降采样→滤波→坐标变换→特征提取），最后结合项目说你在哪个环节踩过坑。

如果面试官追问性能优化，你可以提：体素降采样减少点数、用PCL的OpenMP并行加速、用KD树代替暴力搜索、用SSE/AVX指令集加速向量运算。这些关键词说明你不只是会调API，还理解底层性能瓶颈。面试时候如果能举一个具体的优化案例，比如"我把点云处理从50ms优化到了15ms"，会比泛泛而谈有说服力得多。这种用数据说话的面试技巧，适用于所有技术面试。

下一篇讲点云滤波的具体算法。体素降采样、统计滤波、直通滤波、半径滤波，每种滤波的原理、参数选择和适用场景都会展开讲。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第147篇 2D激光雷达数据处理——扫描数据解析和基本应用

下一篇预告：第149篇 激光雷达点云滤波——体素降采样、统计滤波和直通滤波

有任何问题欢迎评论区留言，我会尽量回复。