点云：从几何感知到语义理解的跨越

在自动驾驶、机器人导航以及数字孪生领域，二维图像早已无法满足对三维世界精细化感知的需求。激光雷达输出的数据是以XYZ坐标为主、可能包含反射强度和颜色信息的离散点集合，这便是点云。本课程聚焦于一个关键的技术断点：如何处理并理解这些数据。它并非单纯讲解抽象的数学理论，而是以自动驾驶场景为切入点，系统剖析点云处理的全链路知识体系，帮助你建立起从原始信号到环境感知的完整认知框架，填补传统计算机视觉课程在三维空间理解上的空白。

深度学习重构点云范式

传统点云处理依赖人工设计的几何特征提取，面对复杂场景时泛化能力有限。课程深入梳理了深度学习在这一领域的最新应用，涵盖了点云分割、物体检测、配准与重建等前沿任务。你将不再局限于手工提取特征，而是掌握基于神经网络的端到端学习方法，理解PointNet、PointCNN等经典架构背后的设计逻辑，以及当前学术界和工业界关注的热点问题。这种从“几何处理”到“语义理解”的思维转换，是迈向高级算法工程师的关键一步，让你能够应对非结构化三维环境中的实际挑战。

前置要求与实践路径建议

本课程适合具备Python编程基础、熟悉NumPy数组操作，并了解卷积神经网络基本原理的学习者。如果你尚未掌握PyTorch或TensorFlow的基本使用，建议先补充相应框架的快速上手教程，否则在学习深度学习模块时会因环境配置卡壳。建议学习顺序如下：首先通过课程开头的自动驾驶案例建立直观认识，明确点云数据的物理意义与噪声特性；其次重点攻克传统预处理技术，包括下采样、体素化、法向量估计等，这是后续深度学习模型输入优化的基础；最后深入研究基于深度学习的各类前沿任务，结合配套代码练习复现经典算法。资料包中提供了丰富的案例代码与实验数据集，请务必配合视频内容动手运行，不要只看不动手。只有在本地环境中真正跑通代码，观察不同预处理参数对模型效果的影响，才能将知识内化。学完本课后，你将能够独立构建点云数据管道，完成从数据采集、预处理到深度学习推理的全套任务，具备在智能驾驶或机器人视觉项目中解决点云相关问题的工程能力，能够针对具体业务场景选择合适的点云处理方案并进行模型调优。

课程介绍

系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势

课程目录

QQ_1756011440710.png   2025-8-24 12:57 上传 课程介绍： 系统剖析自动驾驶点云处理的应用案例来构建点云知识体系；深入梳理深度学习在点云处理中的前沿任务与热点问题来掌握研究趋势 课程目录：
第1章 基础知识 1-1 课程概述 （ 22:56） 1-2 激光雷达原理 （ 33:37） 1-3 激光雷达安装、标定与同步 （ 01:06:39） 1-4 激光雷达数据采集 （ 16:05） 1-5 常用编程基础 （ 31:03） 1-6 课后作业答疑 （ 46:11）
第2章 三维点云表征概述 2-1 三维表征的获取方式及原理 （ 01:15:40） 2-2 三维信息的表征形式 （ 42:31） 2-3 点云的基本特征和描述 （ 43:19） 2-4 课后作业答疑 （ 57:32）
第3章 三维空间变换 3-1 欧式坐标系 （ 19:35） 3-2 刚体运动变换（上） （ 51:30） 3-3 刚体运动变换（下） （ 37:09） 3-4 三维空间变换 （ 36:53）
第4章 三维点云数据处理基础 4-1 Point Cloud Library （ 51:59） 4-2 点云滤波方法 （ 20:35） 4-3 点云组织形式与最近邻搜索 （ 49:51） 4-4 点云分割 拟合 聚类方法 （ 32:53） 4-5 激光雷达运动补偿方法 （ 16:58） 4-6 点云去地面原理及方法 （ 13:21） 4-7 演示1：点云滤波方法 （ 20:04） 4-8 演示2：点云组织形式与最近邻搜索 （ 05:46） 4-9 演示3：segmentation代码和聚类 拟合 （ 15:51） 4-10 演示4：点云去地面原理及发法 （ 14:04） 4-11 课后作业答疑 （ 32:42）
第5章 点云配准与点云SLAM基础 5-1 点云配准方法（上） （ 22:30） 5-2 点云配准方法（下） （ 29:40） 5-3 SLAM基础框架 （ 31:28） 5-4 帧间匹配与激光里程计 （ 32:48） 5-5 SLAM图优化基础 （ 24:08） 5-6 课后作业答疑 （ 10:49）
第6章 点云识别与跟踪描述 6-1 点云关键点检测 （ 34:33） 6-2 点云常用特征描述（上） （ 25:14） 6-3 点云常用特征描述（下） （ 55:38） 6-4 课后作业答疑 （ 28:45） 6-5 精神网络设计与机器学习 （ 38:16）
第7章 深度学习方法基础 7-1 深度学习介绍 （ 25:57） 7-2 一种简单的人工神经网络 （ 12:19） 7-3 深度学习网络结构(上） （ 22:47） 7-4 深度学习网络结构(下） （ 15:55） 7-5 深度学习网络训练优化 （ 25:29） 7-6 点云处理的深度学习介绍 （ 18:28）
第8章 基于深度学习的点云分类方法 8-1 点云分类网络设计基础（上） （ 33:21） 8-2 点云分类网络设计基础（下） （ 37:02） 8-3 Pointwise MLP：PointNet，PointNet++（上） （ 38:59） 8-4 Pointwise MLP：PointNet，PointNet++（下） （ 35:10）
第9章 基于深度学习的点云分割方法 9-1 点云分割网络设计基础 （ 18:22） 9-2 Graph-based:KCNet （ 25:04） 9-3 Graph-basedGCNN （ 34:42） 9-4 Data Indexing-based:SO-Net （ 25:45） 9-5 Convolution-based：pointCNN （ 23:15） 9-6 Convolution-based：KPConv （ 33:55）
第10章 基于深度学习的点云注册方法 10-1 点云注册网络设计基础（上） （ 34:05） 10-2 点云注册网络设计基础（下） （ 07:24） 10-3 Metric based：3DMatch （ 17:13） 10-4 Metric based：3DFeatNet （ 20:11） 10-5 Regression based：Deep Closest Point （ 05:09）
第11章 基于深度学习的点云重识别与重定位 11-1 点云重识别和重定位方法 （ 18:32） 11-2 Point-to-Point：Flownet3D （ 24:22） 11-3 Frame-to-Frame：Deep Closest Point （ 31:50） 11-4 Frame-to-Frame：DeepVCP （ 20:15） 11-5 Frame-to-Map：L3-Net （ 18:46）
第12章 基于深度学习的点云物体识别 12-1 Point cloud Object Detection（上） （ 20:20） 12-2 Point cloud Object Detection（下） （ 20:32） 12-3 3D Datasets （ 07:16） 12-4 深度学习点云物体识别任务指标 （ 14:31） 12-5 点云物体识别网络梳理（上） （ 31:46） 12-6 点云物体识别网络梳理（下） （ 32:11）
第13章 基于深度学习的激光与视觉融合物体识别 13-1 点云图像融合物体识别基础（上） （ 21:45） 13-2 点云图像融合物体识别基础（下） （ 42:38） 13-3 视觉物体识别网络梳理 （ 17:47） 13-4 RCNN family：RCNN，Fast RCNN，Faster RCNN （ 30:26） 13-5 RCNN family：Mask RCNN （ 09:03） 13-6 YOLO family：YOLO，YOLOv2，YOLOv3 （ 26:21） 13-7 点云物体识别网络梳理 （ 34:13）