第 2 章 踏勘：三维数据采集与记录

第 2 章 · 踏勘：三维数据采集与记录

章节摘要：本章跟着一条线走——选仪器、定记录格式。踏勘阶段要回答两个问题：用什么传感器把三维数据采回来，采回来之后用什么结构存。激光雷达、深度相机、双目 rig 各有量程与精度曲线；点云、网格、体素各有查询与存储代价。选错装备，后面全程还债。

一条主线

队伍抵达现场，第一件事不是开机猛扫，而是踏勘：这块场地要毫米精度还是厘米精度？预算给得起机械旋转激光雷达还是只要结构光模组？白天作业还是夜间？主线只有一条——精度、量程、成本、刷新率四个约束下的装备决策。仪器定了，记录格式随之而定：激光雷达吐出的是无序点云，深度相机吐出的是有序深度图，摄影测量路线干脆只有照片——三维信息留到第四章再算。采集端的一念之差，决定了第三章到第五章全部管线的形态。

沿途站点

2.1 三维传感器踏勘队。清点三类主力仪器：三角测量式结构光、飞行时间法、双目立体匹配，画出各自的精度—量程曲线与失效场景。读完你会知道为什么扫地机器人用结构光而自动驾驶用机械雷达。

2.2 点云的数据结构。点云不是"一堆数组"那么简单：有序与无序、邻域搜索、KD 树与八叉树的建树成本与查询效率。第三章所有算法都建立在邻域查询之上。

2.3 网格体素与多面表示。点之外的三种记录簿：三角网格、体素栅格、深度图。它们之间的转换路线与信息损耗，决定第四章成图与第五章建图选哪条路。

本章知识地图

一句金句：传感器没有优劣，只有与任务的匹配度；测绘远征翻车，多数翻在装备错配而不是算法不精。

拐点与结论

本章的认知转折在传感器一节：新手默认"激光雷达最准"，实际上在零点五米内的桌面扫描任务里，结构光精度可达零点一毫米量级，远超多数激光雷达；而在强阳光的街道上，结构光几乎失效，飞行时间与双目反而稳。精度是量程的函数——离开距离谈精度，是踏勘阶段最常见的错误汇报。另一个转折在数据结构一节：同一片点云，换一种邻域结构，配准速度可以差出一个数量级，算法课不教的这一课由存储结构补上。

读完你应该

• 按任务给出传感器选型建议，并说明四项约束（精度、量程、成本、刷新率）的取舍；
• 解释结构光在强光下失效、双目在弱纹理墙上失效的物理原因；
• 区分有序点云与无序点云，说出各自的数据规模与处理差异；
• 用 KD 树完成半径邻域搜索，并解释其查询复杂度为何近似对数级；
• 描述点云、网格、体素之间的六条转换路线与各自的信息损耗。

远征日志：踏勘阶段的作业习惯

踏勘阶段要养成两个能受益全书的作业习惯。第一是"先体检再开工"：任何新到手的点云，先跑一遍 2.1 的数据体检（有效率、深度分位数、空洞分布），再决定处理参数——这个顺序颠倒过来，就是无数"调参一周不如检查一天"的悲剧来源。第二是"索引意识"：写任何邻域相关代码前先问一句，这片点云多久变一次、查多少次——答案直接决定用 KD 树还是八叉树还是干脆保持有序形态。本章的"测量成果"是一份装备决策书：对给定任务（比如桌面级文物扫描或仓库巡检）写出传感器选型理由、预期精度曲线与数据结构方案，能自圆其说即算过关。

下一章的接力

仪器开机、数据落盘，远征进入最耗体力的阶段：外业整理。下一章处理踏勘带回来的"毛料"——几百万个带噪、带洞、互相重叠的散点，如何滤波、如何提取特征、如何分割、如何拼成整体。你会发现本章建立的邻域结构，正是下一章所有算法的地基。