weixin_41496173的博客

在移动机器人、自动驾驶等场景中，激光雷达（LiDAR）用于获取高精度的空间点云数据。然而，当雷达在运动中扫描时，不同点的采集时刻对应的位置不同，就会出现“**运动畸变（Motion Distortion）**”，影响建图、定位等后续处理精度。本文深入分析两种主流的畸变去除方案 —— 基于 **MCU** 和 **CPU** 的架构差异、同步方式、各自优劣，帮助你在项目中做出合适的系统设计决策。

在三维点云配准的领域，经典的ICP（Iterative Closest Point）算法已经成为广泛使用的方法，尤其是在处理静态环境中的点云配准时，效果非常好。然而，随着动态场景的出现，物体运动和传感器的变动引发的点云畸变，常常使得传统的ICP方法面临挑战。为了应对这些动态环境的需求，**VICP（Velocity-based ICP）**应运而生，它在传统ICP的基础上引入了**速度信息**，帮助我们更好地处理动态物体带来的点云畸变。

在之前的文章[使用 Open3D 批量渲染并导出固定视角点云截图](https://tangyipeng.blog.youkuaiyun.com/article/details/145860886?spm=1011.2415.3001.5331)，发现可能会有截图保存错位的现象。即如果遍历整个文件夹保存视图，下一帧保存的点云视角截图可能是上一帧的，为了优化这个问题，本文优化新版本代码。当然可以！以下是**新版代码放在最前面**的 优快云 博客整理版本，更贴近实际读者「先用后解」的阅读习惯。

在三维点云处理与可视化中，固定视角批量生成点云渲染截图是一个常见的需求。例如，想要将同一系列的点云（PCD 文件）在同样的视角下生成序列图片，以便后续合成为视频或进行其他可视化演示。本文将介绍如何使用 Python + Open3D 实现批量加载 PCD 文件、设置统一的相机视角，并导出渲染截图。

在使用 Open3D 进行三维可视化和点云处理时，有时需要将当前的视角（Camera Viewpoint）保存下来，以便下次再次打开时能够还原到同样的视角。本文将演示如何在最新的 Open3D GUI 界面（`o3d.visualization.gui` / `o3d.visualization.O3DVisualizer`）中实现这一功能，并展示完整示例代码及运行效果。

在数据处理中，结构化数组（Structured Array）是我们经常遇到的结构，尤其是在处理点云数据、表格数据或二进制文件时。结构化数组可以看作是一个拥有多个字段的“复合数据类型”，每个字段的数据类型可以不同，类似于数据库中的列。但是，在进行矩阵运算时，我们常常需要将其转换为普通的二维NumPy数组。传统的逐行遍历方法（例如列表推导）效率极低，因此我们需要寻找高效的解决方案。本文将介绍三种高效转换结构化数组为普通NumPy数组的方法，并进行性能对比，帮助大家快速选择最适合自己的转换方式。

在使用 **CloudCompare** 处理点云数据时，很多用户会遇到一个常见问题：**当放大或缩小视图时，物体会突然消失**。这个现象其实是由于 **裁剪平面（clipping plane）** 的设置引起的。本文将详细分析问题的成因，并提供解决方案。

最远点采样能够确保采样得到的点是距离已经选择出来来最远的点，确保采样均匀。直接上代码，代码来自pointnet++源码：def farthest_point_sample(xyz, npoint): """ Input: xyz: pointcloud data, [B, N, 3] npoint: number of samples Return: centroids: sampled pointcloud index, [B,

点云可视化，尤其大规模可视化真是个折磨人的事。自然也是酸甜苦辣各种交加。今日就最近踩坑做一个记录，给后来人一些参考。点云动态显示需要解决的问题是，将点云采集设备高速采集的点云实时显示在界面中。需要实现的效果如图所示，这片测试点云还比较小，有256000个点：图1之前我在最初调试点云动态显示时写过一篇文章，《两种方式实现pcl+qt下动态增加点云》。其中谈到了两种方法。其中方法2采用点云指针是比较轻松简便的，对于点云数目不多时比较推荐。然而对于大规模点云，每次都要把所有显示的点云重新刷新一遍，这样十分

pcl动态显示高度渲染点云避坑在制作如下效果时：关键代码如下： connect(timer, &QTimer::timeout, [&] { //qDebug() << "321" <<j; if (j < n_f) { for (size_t i = 0; i < cloud1->points.size(); ++i) { cloud1->points[i].x = cloud2-

两种方式实现pcl+qt下动态增加点云项目需要把点云动态递增显示，在采用pcl库的情况下，实现如下效果：实现这个效果是为了模拟动态增加，采用定时器的方式加入点云。这儿采用两种方法：方法一：采用vector，每次刷新不同的点云块PointCloudT：typedef pcl::PointXYZRGBA PointT;typedef pcl::PointCloud<PointT> PointCloudT;PointCloudT::Ptr cloud;PointCloudT::Ptr

cloudcompare不平行平面距离测量

有时在绘制点云图时需要用颜色来表征其高度。这个功能在成熟软件中比较常见，自己实现起来略显得繁琐，貌似Open3d绘图选项中没有这个功能（各位如若发现了告诉我），此处把实现代码公布一下，欢迎各位探讨交流。首先上绘制效果图：相关代码：import numpy as npimport open3d as o3dimport open3d.visualization.gui as guiimport open3d.visualization.rendering as renderingapp = g

Pytorch Point 3d 貌似是个不错的三维深度学习的库，但是安装的过程发现bug特别多，弄了很久才弄好，此处把一些踩坑记录给大家分享。首先进入官方github：https://github.com/nicolas-chaulet/torch-points3d ，按照其提供的命令：pip install torchpip install torch-points3dpytorch需要按照官方指定的版本安装好，输入pip install torch-points3d往往会报各种错误（如果没有

首先要确保Open3d升级到版本0.13.0以上。可以用以下代码查看一下Open3d的版本：import open3dopen3d.__version__如果版本较低，采用以下命令升级Open3d：pip install --upgrade open3d显示文字标签的效果为：直接上代码，代码含义很简单：import numpy as npimport open3d as o3dimport open3d.visualization.gui as guiimport open3d.v

Open3d的中文资料相对不是很丰富，网上有些代码还有小bug。今天我这儿搬运一下，提供点云显示和交互式点选的代码。以下代码采用open3d 0.12.0 应该可以直接运行。如果有bug欢迎提出。1.点云显示代码引自：https://zhuanlan.zhihu.com/p/57215172import numpy as npimport open3d as o3dpoints = np.random.rand(10000, 3)point_cloud = o3d.geometry.Poin