这是一门讲三维点云处理的课，主线很清楚：从点云这种数据本身出发，一路走到自动驾驶场景下的实际处理，再延伸到深度学习在点云上的各类任务。它不太像那种"三天速成"的课，更像是给愿意花时间啃原理的人准备的一份系统材料。下面我从几个角度说说它适合谁、学完能干什么、资料该怎么用。
它解决的是哪类工作场景
如果你的工作会碰到激光雷达、深度相机、RGB-D 采集出来的三维数据，那这门课的内容基本就是围绕你的日常展开的。典型场景包括：自动驾驶里的障碍物检测与分割、机器人导航中的环境建模、工业测量里的点云配准与重建。这些场景有个共同点——二维图像那套方法直接搬过来并不好用，因为点云是无序的、稀疏的、密度还不均匀。课程的价值就在于把这套"非结构化三维数据"的处理逻辑讲清楚。
反过来，如果你平时只做二维图像、也没接触过传感器数据，那前期会有一段适应期，需要先接受点云和图像在数据结构上的根本差异。
自动驾驶案例是理解主线
课程用自动驾驶的点云处理作为贯穿案例，这点比较务实。因为自动驾驶是点云技术落地最密集的方向，从原始点云的滤波、地面分割、聚类，到目标检测与跟踪，每个环节都有明确的工程诉求。跟着这条线走，你建立的不是零散的知识点，而是一套"拿到一帧点云该做什么"的处理直觉。这对转行者尤其重要——面试或做项目时，能说清楚数据从采集到输出结果中间经过了哪些步骤，比背概念有用得多。
深度学习部分讲的是什么
后半段进入深度学习在点云上的应用，重点放在前沿任务和热点问题上。点云和图像不一样，卷积核没法直接套，所以会涉及针对无序点集设计的网络结构、点云上的检测与分割任务、以及近年研究里比较受关注的方向。这部分更适合已经有一定深度学习基础、想了解点云这个细分领域研究趋势的人。如果你连基本的神经网络训练流程都还不熟，建议先把深度学习基础补上再进这块，否则容易变成"看得懂名词、跑不通代码"。
资料适合什么基础的人用
- 有 Python 和 NumPy 基础：这是底线，点云操作里大量的矩阵变换和坐标运算都建立在这上面。
- 了解基本线性代数与几何变换：旋转、平移、坐标系转换会反复出现，不熟的话理解配准和标定会很吃力。
- 接触过 PyTorch 或类似框架：进入深度学习部分时需要，否则调试网络会卡住。
- 完全零基础：可以学，但节奏要放慢，先把点云的数据结构和常见操作跑通，别急着跳到最后。
怎么用这套资料更有效
建议按内容顺序推进，点云基础操作没打牢之前不要直接冲深度学习章节，因为很多网络设计的前提就是你对点云结构已经熟悉。每学完一个模块，最好找一个真实点云文件自己跑一遍处理流程，而不是只看讲解。自动驾驶案例部分可以尝试自己复现一条完整的处理链，从读取数据到输出检测结果，跑通一次比看十遍都管用。
最后提醒一句：这门课偏原理和体系，不是那种手把手带你做出一个上线产品的速成课。如果你的目标是快速出活、套用现成方案，它可能会显得偏重；但如果你想真正搞懂点云处理为什么这么做、深度学习模型为什么这样设计，这份材料值得花时间。
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
课程推荐
《三维点云处理技术和深度学习在点云处理中的应用（带全套课程资料）》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【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。
视频目录（72 节）
课程目录
* │ │ 1-1课程概述.mp4
* │ │ 1-2激光雷达原理.mp4
* │ │ 1-3激光雷达安装、标定与同步.mp4
* │ │ 1-4激光雷达数据采集.mp4
* │ │ 1-5常用编程基础.mp4
* │ │ 2-1三维表征的获取方式和原理.mp4
* │ │ 2-2三维信息的表征形式.mp4
* │ │ 2-3点云的基本特征及描述.mp4
* │ │ 作业2-bev.mp4
* │ 3.1-欧式坐标系.mp4
* │ 3.2-刚体运动坐标转换1.mp4
* │ 3.3-刚体运动坐标转换2.mp4
* │ 3.4-三维空间变换.mp4
* │ │ 4.1-Point Cloud Library.mp4
* │ │ 4.2-点云滤波方法.mp4
* │ │ 4.3-点云**形式与最近邻搜索.mp4
* │ │ 4.4-点云分割拟合聚类方法 .mp4
* │ │ 4.5-演示1：点云滤波方法.mp4
* │ │ 4.6-演示2：点云**形式与最近邻搜索.mp4
* │ │ 4.7-演示3：segmentation代码和聚类 拟合.mp4
* │ 5-5 SLAM图优化基础 .mp4
* │ 5.1-点云配准方法（上）.mp4
* │ 5.2-点云配准方法（下）.mp4
* │ 5.3-SLAM基础框架.mp4
* │ 5.4-帧间匹配与激光里程计.mp4
* │ 5.5-SLAM图优化基础.mp4
* │ 6.1-点云关键点检测.mp4
* │ 6.2-点云常用特征描述（上）.mp4
* │ 6.3-点云常用特征描述（下）.mp4
* │ 7-1 深度学习介绍 .mp4
* │ 7-2 一种简单的人工神经网络 .mp4
* │ 7-3 深度学习网络结构(上）.mp4
* │ 7-4 深度学习网络结构(下）.mp4
* │ 7-5 深度学习网络训练优化 .mp4
* │ 7-6 点云处理的深度学习介绍 .mp4
* │ 8-1 点云分类网络设计基础（上） .mp4
* │ 8-2 点云分类网络设计基础（下） .mp4
* │ 8-3 Pointwise MLP：PointNet，PointNet++（上）.mp4
* │ 8-4 Pointwise MLP：PointNet，PointNet++（下）.mp4
* 9-1 点云分割网络设计基础.mp4
* 9-2 Graph-based_KCNet.mp4
* 9-3 Graph-based_DGCNN.mp4
* 9-4 Data Indexing-based_SO-Net.mp4
* 9-5 Convolution-based：pointCNN .mp4
* 9-6 Convolution-based：KPConv.mp4
* │ 10-1 点云注册网络设计基础（上）.mp4
* │ 10-2 点云注册网络设计基础（下）.mp4
* │ 10-3 Metric based：3DMatch .mp4
* │ 10-4 Metric based：3DFeatNet .mp4
* │ 10-5 Regression based：Deep Closest Point.mp4
* │ 11-1 点云重识别和重定位方法.mp4
* │ 11-2 Point-to-Point：Flownet3D .mp4
* │ 11-3 Frame-to-Frame：Deep Closest Point.mp4
* │ 11-4 Frame-to-Frame：DeepVCP.mp4
* │ 11-5 Frame-to-Map：L3-Net .mp4
* │ 12-1 Point cloud Object Detection（上）.mp4
* │ 12-2 Point cloud Object Detection（下）.mp4
* │ 12-3 3D Datasets .mp4
* │ 12-4 深度学习点云物体识别任务指标.mp4
* │ 12-5 点云物体识别网络梳理（上） .mp4
* │ 12-6 点云物体识别网络梳理（下） .mp4
* │ 13-1 点云图像融合物体识别基础（上）.mp4
* │ 13-2 点云图像融合物体识别基础（下）.mp4
* │ 13-3 视觉物体识别网络梳理.mp4
* │ 13-4 RCNN family：RCNN，Fast RCNN，Faster RCNN.mp4
* │ 13-5 RCNN family：Mask RCNN.mp4
* │ 13-6 YOLO family：YOLO，YOLOv2，YOLOv3.mp4
* │ 13-7 点云物体识别网络梳理.mp4
* │ 14-1 深度学习与激光SLAM的结合点.mp4
* │ 14-2 Deep Lidar Odometry（上）.mp4
* │ 14-3 Deep Lidar Odometry（下）.mp4
* │ 14-4 Deep Lidar Loop Closure Detection.mp4
配套笔记（42 份 PDF）
* │ │ 【三维点云第1章】概述.pdf
* │ │ 【三维点云第1章】课件.pdf
* │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf
* │ │ 【三维点云第2章】课件.pdf
* │ │ │ (2019-12-18)RS-Lidar-32_User_Guide_v2.3.2_CN.pdf
* │ │ 作业3-Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf
* │ │ 作业4-Joint 3D Proposal Generation and Object Detection from View Aggregation - 2017 - Ku et al.pdf
* │ │ 作业4-Multi-View 3D Object Detection Network for Autonomous Driving - 2016 - Chen et al.pdf
* │ A Survey on Implicit Surface Polygonization.pdf
* │ CS6320-3DCV-S2013-stereo-rectification.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-I.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-II-animated.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-part-II.pdf
* │ CS6320-CV-F2013-chap11-multiple-views-stereo.pdf
* │ CS6320-CV-S2012-Ch2-Camera-Calibration.pdf
* │ CS6320-S2013 - MVG - MP.pdf
* │ Evaluation of depth-camera-systems for usage in semi-controlled assembly environments.pdf
* │ Feature relevance assessment for the semantic interpretation of 3D point cloud data.pdf
* │ pcaLectureShort_6pp.pdf
* │ Point Cloud Classification.pdf
* │ TOF.pdf
* │ 【三维点云第3章】作业.pdf
* │ 【三维点云第3章】课件.pdf
* │ │ 【三维点云第4章】作业.pdf
* │ │ 【三维点云第4章】课件.pdf
* │ Fast segmentation of 3D point clouds A paradigm on LiDAR data for autonomous vehicle applications.pdf
* │ 基于激光雷达的运动补偿方法_庞正雅.pdf
* │ 【三维点云第5章】课件.pdf
* │ 【三维点云第6章】作业.pdf
* │ 【三维点云第6章】课件.pdf
* │ 【三维点云第7章】作业.pdf
* │ 【三维点云第7章】课件.pdf
* │ 【三维点云第8章】作业.pdf
* │ 【三维点云第8章】课件.pdf
* 【三维点云第9章】作业.pdf
* 【三维点云第9章】课件.pdf
* │ 【三维点云第10章】课件.pdf
* │ 【三维点云第11章】作业.pdf
* │ 【三维点云第11章】课件.pdf
* │ 【三维点云第12章】课件.pdf
* │ 【三维点云第13章】课件.pdf
* │ 【三维点云第14章】课件.pdf
