先说清楚：这门课不适合当背景音
三维点云这块内容，很多人第一次接触时的困惑不是"难"，而是"不知道自己在哪一层"。你可能同时看到 KD 树、体素、PointNet、点云配准、自动驾驶感知这些词，感觉它们是一堆并列的名词，其实它们分属不同的层次：有的是数据结构，有的是几何算法，有的是网络结构，有的是下游任务。这门课的价值在于它把自动驾驶点云处理这条线串起来讲，让你知道手上这个滤波操作，在整条链路里处于哪个位置。
但请做好心理准备：它不是那种一节十五分钟、看完就能写代码的课。点云的数学门槛是真实存在的，尤其是配准、法向量估计、特征描述这几块，你需要愿意在某一讲停下来，把公式自己推一遍。推不动也很正常，先跳过去、记住结论，等后面用到再回来，比卡死在原地强。
建议的入手顺序
如果你时间很碎，我的建议是不要从第一讲硬啃到最后一讲。先看两类内容：一类是点云数据本身的组织形式和常见预处理，另一类是深度学习点云任务的总体地图。前者让你知道原始数据长什么样、有哪些坑（比如无序性、稀疏性、坐标系混乱），后者让你对后面的网络章节有个筐，再往里装东西就不容易散。
自动驾驶相关的案例部分可以放在中间读。它是很好的"为什么"来源——为什么需要下采样、为什么配准精度要求高、为什么单帧点云不够用。带着这些具体问题回头看你之前跳过的基础章节，效率会明显不一样。
哪些章节可以先放一放
深度学习在点云上的部分，前沿任务铺得比较开。如果你现在的目标只是把传统点云处理弄清楚，那几讲偏研究趋势的内容可以先略读，知道有这么回事就行，不必强求读懂每个方法的细节。反过来，如果你的重点在深度学习，那么传统几何处理里那些纯手工特征的部分，也可以先看思路不做实现。
另外，涉及具体框架和工程部署的章节，第一遍看容易一头雾水，因为它们默认你已经理解了上游概念。这类内容建议留到第二轮，等知识体系搭起来之后再回来处理。
资料怎么配合着用
配套资料真正有用的时机是"你已经在写代码"的时候，而不是"你准备开始学"的时候。建议每完成一个模块，就去找对应的数据和代码动手跑一遍，哪怕只是把输入输出打印出来看看形状。点云这东西，看图和看实际坐标是两回事，很多理解上的偏差只有在动手时才会暴露。
做笔记也别抄目录。用一两句话写下"这一讲讲清了什么问题、我还有什么没懂"，比整齐的知识点罗列更管用，也更快。
学不会的部分，允许它先放着
点云配准的优化推导、部分网络里的采样与聚合机制，这些地方第一次不懂是常态。这门课的节奏允许你慢慢来，所以别用"必须全部吃透"来要求自己。标记好卡住的点，继续往前走，等你对整体链路有了感觉，很多当初看不懂的细节会自己变得清楚。真正需要警惕的不是"有地方没懂"，而是"不知道自己哪里没懂"。
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）
* │ │ 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
