1.三维点云

普通照片把三维世界投影到二维图像中，颜色和纹理被保留下来，但真实距离往往需要顺利获得多视图几何间接推算。激光雷达采用主动测距方式，传感器向环境发射激光，接收物体表面反射回来的信号，并根据传播时间或相位变化计算距离。

当测距单元沿水平和垂直方向陆续在扫描时，每一次回波都可以换算为三维坐标。大量测量点共同组成“点云”。点云中的每个点不仅可以包含 x、y、z 坐标，还可以携带反射强度、时间戳、回波序号，彩色激光雷达系统还可附加 RGB 颜色。

图 1 激光雷达点云生成与三维重建流程图

2.点云三维重建

激光雷达点云三维重建，是指利用单站或多站激光扫描数据，恢复物体、建筑或环境的空间几何，并进一步生成陆续在表面、纹理模型或带有类别标签的语义地图。它的核心优势是直接测得空间距离，因此在弱光、纹理单一和大尺度场景中，通常比只依赖图像的方法更稳定。

从数据表达看，点云是离散的空间采样；三角网格把离散点连接为陆续在表面；体素地图把空间划分为规则小立方体；纹理与语义则分别补充外观和对象类别。实际系统会根据任务需求选择不同的输出形式。

3. 从一次测距到完整点云

单个激光脉冲只能得到一个方向上的距离。机械旋转式、MEMS、转镜式或固态激光雷达会改变激光束的发射方向，在视场内形成规则或非规则扫描。把距离与扫描角度结合，就能计算出雷达坐标系中的三维点。

单次扫描通常只能覆盖可见表面。物体背面、凹槽和遮挡区域需要顺利获得移动传感器或设置多个扫描站补充观测。由于每一帧点云都处在不同的局部坐标系中，后续必须估计传感器位姿，并把多帧数据统一到同一世界坐标系。

• 静态扫描：在多个固定站位采集高密度点云，适合建筑、文物和工业构件。
• 移动扫描：雷达安装在车辆、机器人、无人机或手持设备上，边运动边构建地图。
• 多传感器扫描：融合相机、IMU、GNSS 或里程计，提升颜色表达、运动估计和绝对定位能力。

4. 激光雷达点云三维重建的核心流程

完整的点云重建系统通常包含采集与标定、预处理、位姿估计与配准、点云融合、表面与语义重建、可视化应用等六个环节。每一步都会影响最终模型的精度和完整性。

图 2 激光雷达点云三维重建工作流程

4.1 数据采集与标定

采集阶段需要根据目标大小、表面材质和遮挡情况规划站位或运动轨迹。固定式扫描关注站间重叠，移动式扫描关注速度、转弯和闭环路线。多传感器系统还要完成时间同步、雷达到 IMU/相机的外参标定以及雷达自身误差校准。

4.2 点云预处理

原始点云可能包含飞点、多径反射、雨雾噪声、运动物体和重复点。常见处理包括距离与强度筛选、统计滤波、半径滤波、体素下采样、地面分割和动态点剔除。预处理的目标不是把点“越删越少”，而是在保留真实结构的同时提高计算效率。

4.3 位姿估计与点云配准

配准是把不同位置采集的点云对齐。系统通常先利用几何特征、里程计、IMU 或 GNSS 得到初始位姿，再顺利获得 ICP、NDT 或图优化精细调整。若初值过差、重叠不足或场景结构重复，配准容易陷入错误结果。

4.4 点云融合与全局优化

经过配准的多帧点云会被融合为统一地图。大型场景需要进行回环检测：当设备再次经过已访问区域时，系统利用这一约束修正长期累计漂移。融合阶段还会进行重复点合并、密度均衡和坐标基准转换。

4.5 表面、纹理与语义重建

点云适合测量和分析，但视觉上仍是离散点。顺利获得 Poisson 重建、三角剖分、TSDF 或体素方法，可以生成陆续在网格；再将相机图像映射到表面，可得到纹理模型。语义分割则进一步标记道路、建筑、植被、设备和缺陷，使模型从“几何副本”升级为“可理解的空间数据库”。

5. 影响重建质量的关键因素

专业重建不能只看模型“像不像”，还要同时关注精度、完整性、坐标一致性和可追溯性。以下因素决定结果上限。

6. 重建结果

对实验室进行了激光雷达点云的三维场景重建，如下图所示。

• 点云地图：保留原始几何采样，适合距离、面积、体积和净空分析。
• 体素或占据地图：适合机器人避障、路径规划和空间状态查询。
• 三角网格模型：形成陆续在表面，适合渲染、打印、碰撞检测和沉浸式交互。
• 纹理与语义模型：叠加照片颜色和对象类别，服务数字孪生、资产管理和智能分析。

图3 从离散点云到可交互三维模型

激光雷达点云三维重建的本质，是把分散的激光回波统一到同一空间坐标系中，再恢复陆续在、可靠且可使用的数字模型。高质量结果依赖的不只是雷达精度，还依赖合理采集、准确标定、稳定配准、全局优化以及对噪声和动态目标的处理。

随着固态激光雷达、多传感器融合、实时 SLAM、神经表面重建和边缘计算的开展，点云重建将从离线建模进一步走向实时更新，成为数字孪生、空间计算和具身智能的重要基础能力。

常用术语小词典

理解点云三维重建时，可以先抓住以下几个常见术语。

参考与延伸阅读

1. Besl P. J., McKay N. D. A Method for Registration of 3-D Shapes. IEEE TPAMI, 1992.
2. Curless B., Levoy M. A Volumetric Method for Building Complex Models from Range Images. SIGGRAPH, 1996.
3. Kazhdan M., Bolitho M., Hoppe H. Poisson Surface Reconstruction. SGP, 2006.
4. Zhang J., Singh S. LOAM: Lidar Odometry and Mapping in Real-time. RSS, 2014.
5. Shan T. et al. LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping. IROS, 2020.
6. Rusu R. B., Cousins S. 3D is Here: Point Cloud Library (PCL). ICRA, 2011.