点云处理：从自动驾驶案例到深度学习实战的务实指南

这门课的核心价值在于填补“传统几何算法”与“现代深度学习”在三维数据处理上的认知断层。很多从业者面对点云时，要么还在死磕手工设计的特征工程，面对复杂场景束手无策；要么盲目套用成熟的 2D 深度学习框架，忽略了三维数据的非欧几里得特性。课程通过系统剖析自动驾驶领域的实际案例，带你构建完整的点云知识体系，并深入梳理深度学习在其中的前沿应用，让你清晰看到技术演进的逻辑，而非零散的知识堆砌。

解决什么问题：告别手工调参，掌握端到端的三维感知

你不需要这门课的前提，是必须已经精通凸包计算或体素网格化等底层几何原理。课程设计的初衷是解决“数据量大、特征难提取、模型难收敛”这三个痛点。在自动驾驶场景中，点云数据稀疏且噪声大，传统方法往往需要繁琐的手写规则来过滤离群点或拼接点云，效率低且泛化能力差。而课程重点讲解如何利用深度学习自动学习点云特征，让模型直接从原始数据中捕捉语义信息，大幅降低对人工标注特征的依赖，解决工程师在三维感知任务中“无从下手”的困境。

适合谁学：有计算机基础，想切入三维视觉方向的转行者或进阶者

建议学习者具备基础的 Python 编程能力和一定的线性代数知识，了解卷积神经网络（CNN）或循环神经网络（RNN）的基本原理即可。如果你完全没接触过深度学习，直接啃这类三维内容会非常吃力；如果你只懂传统图像处理，需要补充一些三维坐标变换和点云预处理的知识，课程中的案例正好能帮你补齐这块短板。这门课适合那些已经在做 2D 图像处理，想拓展到激光雷达数据，或者想从事自动驾驶、机器人导航、三维重建等方向的开发者。

怎么学才有效：先看案例建立直觉，再动手复现模型

学习顺序上，强烈建议你先观看关于“自动驾驶点云处理应用案例”的章节。这些案例会展示真实路侧或车端的数据形态，让你直观理解点云在车、路、人检测中的具体作用，建立对三维数据的感性认识。在此基础上，再深入学习深度学习在点云处理中的前沿任务，比如基于点云的语义分割或物体检测。资料包中的代码和脚本并非拿来即用的成品，而是用于复现核心算法的脚手架。你需要亲自将视频中的思路转化为代码，尝试替换不同的点云预处理模块，或者调整网络结构，通过跑通这些代码并观察效果，才能真正掌握处理三维数据的核心逻辑。

课程目录

QQ_1756011440710.png (21.

28 KB,  ) 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）