点云技术系统学习路线：从几何基础到机器人感知

适用对象：具备 Python/C++、Ubuntu 与工程实践经验，希望系统掌握点云处理、3D 深度学习和机器人 LiDAR 感知的学习者
建议周期：32 周，平均每周 8–12 小时；可压缩为 16 周或扩展为 12 个月
文档版本：2026-08 V1.0 核心原则：几何直觉优先、经典算法打底、深度模型随后、机器人系统收口、所有阶段以可复现实验验收

1. 学完后应具备的能力

完成主线后，应能够：

1. 解释点云的采样特性、噪声、稀疏性、无序性、非均匀密度和坐标系问题。
2. 独立实现或正确调用下采样、离群点去除、法向估计、RANSAC、聚类、ICP、NDT、FPFH 等经典算法。
3. 理解 SE(3)、李群/李代数、最小二乘、鲁棒核、卡尔曼滤波和因子图在机器人状态估计中的作用。
4. 理解 PointNet、PointNet++、DGCNN、稀疏卷积、Point Transformer 等架构解决了什么问题。
5. 使用 PCL、Open3D、ROS 2、MMDetection3D 等工具搭建可重复的点云处理与训练管线。
6. 理解 3D 检测、语义/实例/全景分割、跟踪、占用预测及多传感器融合的输入、输出和指标。
7. 跑通并分析 LiDAR odometry、LiDAR–IMU odometry 和完整 SLAM 系统。
8. 面向真实机器人约束进行性能评估：精度、延迟、吞吐、内存、功耗、退化场景和失败恢复。
9. 阅读点云论文时，能够从表示、邻域、特征、匹配、优化、数据、指标和算力八个维度拆解方法。

2. 点云知识地图

数学基础
├─ 线性代数：特征值、SVD、PCA、最小二乘
├─ 概率统计：高斯、协方差、最大似然、贝叶斯估计
├─ 优化：Gauss–Newton、LM、鲁棒核、RANSAC
└─ 机器人几何：SO(3)、SE(3)、李代数、坐标变换、标定

点云基础
├─ 采集：机械式/固态 LiDAR、RGB-D、双目、ToF
├─ 表示：无序点集、range image、voxel、octree、BEV、稀疏张量
├─ 预处理：裁剪、去噪、去畸变、降采样、地面去除
└─ 空间索引：KD-tree、octree、voxel hash

经典几何处理
├─ 邻域与法向估计
├─ 关键点与局部描述子：ISS、PFH/FPFH、SHOT
├─ 模型拟合与分割：RANSAC、区域生长、欧式聚类、DBSCAN
├─ 配准：SVD、ICP、point-to-plane、GICP、NDT、全局配准
└─ 表面与重建：Poisson、TSDF、mesh、occupancy

学习型感知
├─ 点式：PointNet、PointNet++、DGCNN、KPConv
├─ 体素/稀疏卷积：VoxelNet、SECOND、Minkowski 网络
├─ 点-体素混合：PV-RCNN、PVCNN
├─ Transformer：Point Transformer 系
├─ 任务：分类、检测、语义/实例/全景分割、补全、场景流
└─ 前沿：自监督、开放词汇、图像-文本-3D 对齐、3D 基础模型

机器人系统
├─ 数据层：时间戳、外参、TF、PointCloud2、rosbag
├─ 里程计：scan-to-scan、scan-to-map、运动补偿
├─ 融合：LiDAR–IMU、LiDAR–camera、GNSS
├─ SLAM：前端、后端、回环、图优化、地图管理
├─ 感知：障碍物、自由空间、动态物体、语义地图
└─ 部署：实时性、边缘计算、监控、回放、CI、数据闭环

学习依赖关系

• 先懂坐标系和最小二乘，再学配准。
• 先手写一次 ICP，再调用 PCL/Open3D。
• 先懂 PointNet 的对称聚合，再学 PointNet++ 与 Transformer。
• 先跑通纯 LiDAR odometry，再进入 LiDAR–IMU 紧耦合。
• 先做离线可复现实验，再接 ROS 2 实时流。
• 基础模型属于研究支线，不应替代经典几何和状态估计主线。

3. 32 周总路线

时间分配建议：理论 30%，编码 40%，实验 20%，论文与总结 10%。对已有软件架构经验的学习者，应把节省下来的环境搭建时间投入实验设计和状态估计数学，而不是盲目增加框架数量。

4. 各阶段详细计划

阶段 0：建立环境与数据直觉（第 1 周）

学习目标

• 理解点云的无序、稀疏、非均匀和传感器视角依赖。
• 能读取 PCD、PLY、KITTI .bin，显示 XYZ、RGB、intensity、normal、label。
• 理解 organized 与 unorganized point cloud。

ROS 2 的 sensor_msgs/PointCloud2 使用 header、height、width、fields、point_step、row_step 和二进制 data 描述点云；深度相机常产生二维 organized cloud，旋转式 LiDAR 常以一维形式表达。参见 PointCloud2 消息定义。

工具选择

• Python 快速实验：NumPy + Open3D。
• 机器人/C++ 主线：PCL 官方教程 + Eigen。
• 可视化：Open3D、RViz 2、CloudCompare。
• 数据记录：rosbag2；实验元数据使用 YAML/JSON。

实践与验收

1. 编写统一点云加载接口，输出点数、边界、密度近似、NaN 数量与字段列表。
2. 显示同一帧点云的高度、强度、法向三种着色。
3. 将 Open3D 点云与 NumPy 数组互转。
4. 仓库加入容器或锁定环境、单测、lint、CI 和小样本下载脚本。
5. 新环境按 README 一条命令构建；缺字段时有明确错误；能画出传感器坐标系。

阶段 1：数学、几何与传感器（第 2–5 周）

第 2 周：线性代数与几何

重点：齐次坐标、特征分解、SVD、PCA、最小二乘、刚体变换。用 PCA 求局部平面法向；用 SVD 解已知对应点的刚体变换；构造共线、共面和对称退化案例。

第 3 周：SO(3)、SE(3) 与李代数

重点：旋转矩阵、四元数、指数/对数映射、扰动模型、伴随矩阵、左/右乘误差。主教材为 Barfoot 的 State Estimation for Robotics。验收：实现 SE3.exp/log、组合与逆，用数值差分验证 Jacobian。

第 4 周：概率、估计与优化

重点：高斯、协方差传播、最大似然/MAP、加权最小二乘、Gauss–Newton、LM、Huber/Cauchy 鲁棒核。参考 Probabilistic Robotics。练习：对带离群点的平面拟合比较最小二乘、鲁棒核与 RANSAC。

第 5 周：传感器与标定

重点：LiDAR 的 ring、intensity、回波、量程和运动畸变；RGB-D/ToF/双目的深度噪声、空洞和反光；内外参、时间同步、坐标树和手眼标定。验收：演示不去畸变与去畸变点云差异。

阶段 2：经典点云处理（第 6–11 周）

PCL 官方教程覆盖 I/O、Filtering、Features、Keypoints、KdTree、Octree、Registration、Sample Consensus、Segmentation、Surface、Recognition 与 GPU。PCL 教程

• 第 6 周：空间索引与降采样——KD-tree、octree、voxel hash；random、uniform、voxel grid、FPS。对不同 voxel size 记录点数、查询时间、法向稳定性和几何误差。
• 第 7 周：去噪与预处理——PassThrough、crop box、radius/statistical outlier removal、地面提取、强度和 NaN。Open3D 官方教程包含体素下采样、法向、边界框、DBSCAN、RANSAC 平面等示例。教程
• 第 8 周：法向、曲率与局部几何——kNN/radius search、协方差 PCA、法向朝向、尺度敏感性；在平面、圆柱、边缘和噪声区解释特征值比值。
• 第 9 周：模型拟合与分割——RANSAC、平面/圆柱/球、欧式聚类、区域生长、DBSCAN。
• 第 10 周：关键点与描述子——ISS、PFH/FPFH、SHOT、VFH。Rusu 等人的 FPFH 论文提出 PFH 与快速变体 FPFH 描述局部几何。
• 第 11 周：表面与地图表示——Poisson、TSDF、occupancy、OctoMap、range image、BEV 与 voxelization。

项目 1：桌面场景物体分割

输入 → 裁剪 → 降采样 → 去噪 → 平面移除 → 聚类 → OBB

至少测试 5 种摆放，报告欠分割、过分割和遮挡失败；参数必须配置化。

阶段 3：配准与多帧建图（第 12–15 周）

• 第 12 周：ICP 从零实现——初值、最近邻、对应过滤、point-to-point/plane、位姿增量和收敛；测试初值误差、重叠率、噪声、离群点和对称结构。
• 第 13 周：ICP 变体与 NDT——GICP、robust ICP、scan-to-scan、scan-to-map、NDT；分析走廊、单平面、重复结构的退化。
• 第 14 周：粗配准——关键点 + FPFH + RANSAC + 几何一致性，再用 ICP 精配准。
• 第 15 周：多帧与位姿图——keyframe、回环、pose graph、局部地图和滑动窗口。

项目 2：配准算法基准台

统一比较 ICP、point-to-plane、GICP、NDT、FPFH+RANSAC+ICP，输出平移/旋转误差、fitness、inlier ratio、P50/P95 延迟、收敛率、初值容忍范围和失败样本可视化。不要只比较最终 RMSE。

阶段 4：点云深度学习（第 16–20 周）

第 16 周：任务、管线与表示

理解分类、部件分割、语义/实例分割；比较 point、voxel、range-view、BEV 和混合表示。数据增强必须尊重几何与坐标系：旋转、缩放、抖动、随机丢点和 beam dropout。

第 17 周：PointNet

精读 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation，重点回答：如何实现置换不变性？shared MLP + symmetric pooling 表达什么？T-Net 有何作用？为什么缺少显式局部结构？

第 18 周：PointNet++ 与图网络

PointNet++ 通过分层采样、分组和局部 PointNet 捕获局部结构，并用多尺度策略处理非均匀密度。随后阅读 DGCNN/EdgeConv，比较固定欧氏邻域与动态特征图邻域。

第 19 周：卷积、稀疏卷积与混合表示

学习 KPConv、voxelization、量化误差、稀疏卷积和点-体素融合。MinkowskiEngine 以稀疏张量为基本表示，支持高维稀疏卷积网络。

第 20 周：Point Transformer 与预训练

CVPR 2024 点云理解教程将现代主线概括为经典 backbone、Point Transformer、高效稀疏卷积和大规模 3D 表征学习。教程主页

重点：相对几何与位置编码、局部 attention 复杂度、分层下采样、masked point modeling、自监督学习，以及精度与点数、邻域、显存和延迟的关系。

项目 3A：复现 PointNet++ 或 DGCNN

• 固定版本、随机种子和数据 split。
• 保存 config、日志、checkpoint 和曲线。
• 至少消融点数、增强、邻域/尺度。
• 报告参数量、显存、batch 吞吐和单样本延迟。

阶段 5：机器人 3D 感知（第 21–25 周）

第 21 周：3D 检测

掌握 3D box、坐标系、朝向周期性；point/voxel/pillar/BEV；anchor-based 与 anchor-free。论文顺序：VoxelNet → SECOND → PointPillars → CenterPoint → PV-RCNN。

工程框架建议使用 MMDetection3D。其文档覆盖 LiDAR/视觉 3D 检测、LiDAR 语义分割、坐标系、标准与自定义数据集训练，并支持 KITTI、nuScenes、SemanticKITTI、ScanNet 等。

第 22 周：语义、实例与全景分割

学习 point-wise label、class imbalance、mIoU、per-class IoU、小目标、时序聚合和 moving object segmentation。SemanticKITTI 提供序列化 360° LiDAR，支持语义、全景、4D 全景、移动物体、场景补全和开放世界实例分割。

第 23 周：跟踪、场景流与动态物体

学习 detection-to-tracking、运动模型、数据关联、scene flow 和多帧点云；理解动态点过滤对 SLAM 的影响，以及静态地图、动态层和短期占用的分离。

第 24 周：多传感器融合

比较 camera–LiDAR 的 early/middle/late fusion，研究标定、投影、遮挡、视场和时间同步。nuScenes 提供 1 个 LiDAR、5 个 radar、6 个 camera 及 IMU/GPS，适合检测与融合实验。

第 25 周：占用、自由空间与导航接口

学习 occupancy prediction、ray casting、unknown/free/occupied、点云到 costmap/voxel map，以及感知输出如何服务导航、避障和抓取。

项目 3B：ROS 2 室内障碍感知

PointCloud2 → TF/时间检查 → ROI/降采样 → 地面移除
            → 聚类或语义分割 → 3D box/occupancy
            → RViz 2 + diagnostics

验收：回放输出确定；能检测时间戳回退、TF 缺失和 NaN；P95 延迟满足周期；输入突增不无限占内存；可切换经典算法和学习模型。

阶段 6：LiDAR Odometry、SLAM 与融合（第 26–29 周）

第 26 周：SLAM 分层

• 前端：去畸变、特征/直接配准、帧间位姿。
• 后端：回环、图优化、全局一致性。
• 地图：局部子图、全局地图、裁剪与持久化。
• 评估：ATE、RPE、轨迹对齐和实时因子。

第 27 周：LOAM 系

精读 LOAM。它把问题拆成高频里程计和低频精细建图，以兼顾实时性与低漂移。阅读时回答：边缘/平面特征如何选择？scan-to-scan 与 scan-to-map 如何分工？运动畸变如何处理？特征贫乏时为何退化？

第 28 周：LiDAR–IMU 紧耦合

学习 IMU 预积分、误差状态、bias、重力初始化、外参和时间偏移，对比优化式与滤波式 LIO。FAST-LIO2 使用紧耦合迭代扩展卡尔曼滤波，直接在原始点上进行 scan-to-map；官方代码支持多类旋转式与固态 LiDAR。

第 29 周：系统对比与退化分析

至少对比 LOAM/A-LOAM 类特征法与 FAST-LIO2 类直接、紧耦合滤波法；可加入 KISS-ICP 纯 LiDAR 基线、LIO-SAM 因子图路线。

项目 4：LiDAR/LIO 基准与地图服务

输出轨迹、局部/全局地图、ATE/RPE、CPU/内存、实时因子和地图规模。注入 IMU bias、外参误差、时间偏移、丢帧、长走廊、快速旋转和动态人群。

SLAM 最容易出现“轨迹看起来不错”的错觉。必须使用 ground truth 或可信参考轨迹，并明确轨迹对齐方式。

阶段 7：系统集成与专题研究（第 30–32 周）

第 30 周：可部署架构

drivers → synchronization/calibration → preprocessing
        → localization/mapping → detection/segmentation
        → tracking/occupancy → planning interface
        → logging/metrics/replay

要求：节点边界和消息契约清晰；原始数据不可变；参数、模型、标定和数据集可追踪；离线回放与在线模式共用算法核心；每次提交运行小型 rosbag 回归；性能数据纳入 benchmark。

第 31 周：选择研究支线

1. 移动机器人/智能家电：低成本深度相机、室内语义地图、动态避障和低功耗部署。
2. 自动驾驶：大范围 LiDAR、3D 检测、跟踪、占用与融合。
3. 机械臂抓取：桌面分割、6D pose、补全与抓取候选。
4. 3D 重建：RGB-D fusion、TSDF、mesh、NeRF/3D Gaussian Splatting 与几何地图。
5. 边缘 AI/TinyML：点数自适应、量化、蒸馏、稀疏算子和端侧 profiling。

第 32 周：结项报告

报告应包含：问题边界；传感器、数据和坐标系；算法与替代方案；实验设计；精度与性能；消融；失败模式；部署与维护；后续研究问题。

5. 经典书籍：如何读，而不是只列书名

阅读每章只产出一页：假设、变量、目标函数、求解器、失败条件。每个公式对应一个数值例子或单测；围绕项目问题回查，不追求第一遍通读。

6. 论文阅读阶梯

A. 经典几何与工具

1. Fischler & Bolles：RANSAC——鲁棒模型估计。
2. Besl & McKay：ICP——最近点对应与迭代配准。
3. Chen & Medioni：point-to-plane 配准。
4. Biber & Strasser：NDT——局部概率分布表达扫描。
5. Rusu et al.：FPFH——局部几何描述子。
6. Rusu & Cousins：PCL——点云算法工具生态。

B. 点集深度学习

PointNet → PointNet++ → DGCNN → KPConv → RandLA-Net → Point Transformer。阅读主线是：置换不变性、局部结构、邻域构造、连续卷积、规模效率和注意力。

C. 3D 检测

VoxelNet → SECOND → PointPillars → CenterPoint → PV-RCNN。比较表示、稀疏算子、检测头、速度和坐标系处理。

D. LiDAR SLAM 与融合

LOAM → LeGO-LOAM → LIO-SAM → FAST-LIO2 → KISS-ICP。不要只看榜单，要追踪传感器假设、去畸变、地图结构、估计器、回环和退化检测。

E. 前沿研究

2025 年点云基础模型综述将路线归纳为：直接适配 2D 模型、2D/3D 双编码器、图像-文本-点云三模态对齐，以及开放词汇和场景级 3D 推理。综述

建议在完成 PointNet++、稀疏卷积和至少一个真实机器人项目后再进入该支线。重点关注：自监督、跨模态知识迁移、开放词汇、数据高效学习、具身空间推理、边缘部署与持续学习。

7. 官方课程与教程

基础与几何

• Stanford CS231A：Computer Vision, From 3D Perception to 3D Reconstruction：相机、投影、多视图几何和 3D 理解。
• MIT Visual Navigation for Autonomous Vehicles：从几何、优化到自主导航实现，适合状态估计和系统视角。

点云处理

• PCL Tutorials：C++ 经典算法主线。
• Open3D Point Cloud Tutorial：Python 快速实验。
• Open3D Registration Tutorials：全局配准与 ICP 管线。
• CVPR 2024 Point Cloud Understanding Tutorial：现代 backbone、Transformer、稀疏系统和预训练。

机器人与工程框架

• ROS 2 PointCloud2：消息内存布局与字段。
• MMDetection3D：3D 检测/分割训练与评测。
• MinkowskiEngine：稀疏张量网络。
• FAST-LIO 官方仓库：LiDAR–IMU 工程实例。

学习顺序建议

Open3D 基础教程
→ PCL Filtering / Features / Segmentation
→ 手写 ICP + Open3D/PCL Registration
→ CS231A 几何 + Barfoot 状态估计
→ PointNet/PointNet++ 复现
→ MMDetection3D 或 SemanticKITTI
→ ROS 2 PointCloud2 管线
→ LOAM / FAST-LIO2
→ CVPR 点云教程与基础模型支线

8. 数据集与指标

数据集梯度

指标速查

配准

• RTE：相对平移误差。
• RRE：相对旋转误差。
• Registration Recall：达到误差阈值的成功比例。
• Inlier Ratio / Feature Match Recall：描述子与匹配质量。
• Chamfer Distance：集合间最近邻距离的双向统计；需说明是否平方、归一化和裁剪。

分类与分割

• Accuracy、balanced accuracy。
• per-class IoU、mIoU。
• instance AP、panoptic quality；时序全景任务还需跟踪一致性指标。

3D 检测

• 3D/BEV IoU、AP/mAP、不同距离和难度分桶。
• nuScenes 类评估还应分解位置、尺度、方向、速度和属性误差，而非只看总分。

SLAM

• ATE：全局轨迹误差，受对齐方式影响。
• RPE：局部相对运动误差，可观察漂移。
• 轨迹完成率、丢失次数、重定位时间。
• 实时因子、P50/P95/P99 延迟、CPU/GPU/内存和地图增长率。

所有指标必须写明坐标系、单位、阈值、轨迹对齐、有效样本过滤和平均方式，否则数字不可复现。

9. 四个核心项目的最终验收表

推荐仓库结构

pointcloud-roadmap/
├── docs/                 # 读书、论文、实验报告
├── datasets/             # 只放下载脚本和元数据
├── classical/            # filtering/normal/segmentation/registration
├── learning/             # classification/detection/segmentation
├── ros2_ws/src/          # ROS 2 packages
├── benchmarks/           # 统一评测与可视化
├── configs/              # 数据、算法、模型、标定
├── tests/                # 数学、算法、消息契约测试
├── containers/           # 开发与运行环境
└── .github/workflows/    # 构建、测试、小数据回归

CI/CD 建议

• PR：格式检查、C++/Python 单测、数学 Jacobian 检验、小点云算法回归。
• Nightly：小 rosbag 端到端回放、性能趋势、内存泄漏检查。
• Release：容器镜像、模型校验和、标定版本、数据 schema、基准报告一并发布。
• GPU 训练与机器人运行环境分开锁定，避免依赖互相污染。
• 大数据和模型使用对象存储/DVC 类机制，Git 仅保存清单与哈希。

10. 论文阅读模板

每篇论文用一页回答：

1. 任务：输入、输出、约束是什么？
2. 表示：raw points、voxel、range view、BEV 还是混合？
3. 邻域：kNN、radius、voxel、graph、attention window？
4. 不变性/等变性：平移、旋转、尺度和置换如何处理？
5. 目标函数：监督信号和损失分别是什么？
6. 优化/估计：闭式、迭代优化、滤波还是端到端网络？
7. 数据：传感器、场景、split、标签和数据泄漏风险？
8. 指标：是否能支持论文结论？是否遗漏延迟和资源？
9. 消融：真正有效的是哪个模块？
10. 失败条件：低重叠、稀疏、动态、天气、标定误差、域偏移？
11. 复现成本：代码、模型、数据、算力、许可证？
12. 可迁移点：能否用于你的室内机器人/智能家电场景？

建议按“综述定位 → 原论文方法/实验 → 官方代码 → 复现实验 → 批判总结”阅读，而不是先看二手博客。

11. 常见误区

1. 只会调 PCL 参数，不理解邻域尺度。 法向、FPFH、聚类和 ICP 都强依赖点密度与尺度。
2. 把 frame_id 当字符串标签。 坐标系错误会产生“看起来合理但完全错误”的结果。
3. 忽略运动畸变和时间同步。 移动平台中，它们常比算法选择影响更大。
4. 只看平均精度。 机器人更关心长尾失败、P99 延迟和恢复能力。
5. 用训练集参数调测试集。 点云领域的数据集小、场景相关性强，泄漏尤其危险。
6. 直接追最新 Transformer/基础模型。 没有经典几何和状态估计基础，难以诊断真实系统失败。
7. 把可视化重叠当配准正确。 必须有数值真值、收敛域和失败统计。
8. 只测静态标准数据集。 应加入动态物体、丢帧、外参偏差和密度变化。
9. Python 原型直接作为机器人节点。 应先区分算法验证、训练、离线评测和实时运行边界。
10. 追求完整通读所有书。 围绕项目形成“理论—实现—实验—复盘”闭环更有效。

12. 面向智能家电/室内机器人的定制建议

结合 Ubuntu、DevOps、TinyML/LLM-Agent 背景，建议最终专题选择：

方向 A：室内语义点云地图 + Agent

RGB-D/LiDAR → 几何地图 → 物体/区域语义
             → 可查询的 scene graph
             → LLM/Agent 工具接口

关键研究问题：

• 如何让 Agent 查询“沙发旁边是否有可通行区域”，而不是直接消费百万点？
• 点云地图、occupancy、对象地图和 scene graph 如何分层？
• 语义置信度、时间有效性和动态物体如何表达？
• LLM 只负责高层任务分解，安全避障必须由确定性实时系统闭环。

方向 B：低功耗端侧点云感知

• ROI 和任务驱动采样，减少无效点。
• 经典几何前处理 + 小模型，而非全链路深网。
• 稀疏卷积、量化、蒸馏和输入点数动态化。
• 把功耗、温升、内存峰值、冷启动和持续运行稳定性纳入指标。

方向 C：数据闭环与 MLOps

• 自动收集低置信度、定位漂移和人工接管片段。
• rosbag → 数据筛选 → 标注/伪标签 → 训练 → 离线回归 → 影子部署。
• 标定、数据 schema、模型、代码和指标必须一一关联。
• 将“场景覆盖率”和“失败模式覆盖率”作为数据版本的核心属性。

13. 每周执行模板

# Week N — 主题

## 本周问题
- 我希望回答的 3 个问题

## 理论
- 教材章节：
- 论文：
- 关键公式：

## 实现
- 从零实现：
- 库实现：
- 单元测试：

## 实验
- 数据：
- 自变量：
- 指标：
- 结果：
- 失败样本：

## 工程
- 延迟/内存：
- 配置与版本：
- CI/回放：

## 复盘
- 本周真正理解了什么？
- 哪个假设被实验推翻？
- 下周仍需解决什么？

每四周检查一次

• 能否不用 API 文档解释核心算法？
• 能否手写最小版本并用合成数据验证？
• 是否保留失败样本而非只展示成功 demo？
• 是否明确数据、坐标系、阈值、随机种子和版本？
• 是否出现“学了很多名词，但没有可运行产物”？

14. 最小可行学习路径（时间不足时）

若只有 12–16 周：

1. Open3D 基础 + 坐标系 + PCA/SVD（2 周）。
2. 滤波、法向、RANSAC、聚类（2 周）。
3. ICP/point-to-plane/GICP + 配准基准（3 周）。
4. PointNet/PointNet++ + 一个复现（3 周）。
5. ROS 2 PointCloud2 障碍感知（2 周）。
6. LOAM 与 FAST-LIO2 跑通、评估、复盘（3–4 周）。

此路径暂时跳过完整 3D 检测和基础模型，但不会破坏后续依赖关系。

15. 核心来源与延伸阅读

官方文档与课程

1. PCL. Tutorials.
2. Open3D. Point Cloud Tutorial.
3. ROS 2. sensor_msgs/msg/PointCloud2.
4. Stanford. CS231A.
5. MIT OpenCourseWare. Visual Navigation for Autonomous Vehicles.
6. CVPR 2024. Point Cloud Understanding Tutorial.
7. OpenMMLab. MMDetection3D Documentation.
8. NVIDIA. MinkowskiEngine Sparse Tensor Networks.

数据集

9. KITTI Vision Benchmark Suite.
10. SemanticKITTI.
11. nuScenes.
12. ETH Zürich ASL Datasets.

代表论文与书籍入口

13. Rusu, R. B., Blodow, N., & Beetz, M. Fast Point Feature Histograms for 3D Registration.
14. Qi, C. R., et al. PointNet++.
15. Zhang, J., & Singh, S. LOAM: Lidar Odometry and Mapping in Real-time.
16. Xu, W., et al. FAST-LIO2；代码.
17. Barfoot, T. D. State Estimation for Robotics.
18. Thrun, S., Burgard, W., & Fox, D. Probabilistic Robotics.
19. Hartley, R., & Zisserman, A. Multiple View Geometry in Computer Vision.
20. Foundational Models for 3D Point Clouds. Survey and Outlook.

结论

点云学习的难点不是算法数量，而是跨越四层抽象：几何与估计 → 点云算法 → 学习型感知 → 实时机器人系统。最有效的路线不是按论文年份追新，而是让每个概念都经过“合成数据验证、库实现对照、真实数据失败分析、系统性能评估”四步。32 周结束时，最重要的成果应是一套可复现的基准仓库和对失败模式的判断力，而不只是几个成功截图。