3D点云自动驾驶数据标注入门指南：从工具选型到实战避坑

1次阅读

共计 2099 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触自动驾驶时，最容易低估的就是数据标注的工作量。在真实路测中，一辆搭载 64 线激光雷达的车辆每秒产生超过 200 万个点云 (Point Cloud) 数据点。这些密密麻麻的 3D 空间坐标，需要人工标注出车辆、行人、障碍物等信息，才能让 AI 模型学会识别和理解环境。

新手常见三大痛点：

工具迷惑：商业工具年费动辄上万美元，开源工具又缺乏文档支持
规范混乱：不同厂商对同一物体的标注标准可能完全不同
效率低下：手工标注一帧数据可能需要 20 分钟，而一个训练集往往需要数万帧

优势：企业级协作功能完善，支持版本控制和审计追踪
劣势：按数据量计费，小型团队成本压力大
适用场景：中大型企业的合规性要求高的项目

优势：内置 AutoML 功能，支持智能预标注
劣势：社区版功能受限，GPU 服务器需自备
适用场景：需要 AI 辅助标注的中型团队

优势：完全开源，支持本地化部署
劣势：3D 标注功能较基础，需要二次开发
适用场景：预算有限的技术团队

建议搭配：个人学习用 CVAT+CloudCompare 组合，企业项目推荐 Supervisely

先安装必要工具库：

pip install open3d numpy

import open3d as o3d

# 读取点云文件
pcd = o3d.io.read_point_cloud("sample.pcd")

# 降采样(体素滤波)
voxel_size = 0.05  # 5 厘米立方体
down_pcd = pcd.voxel_down_sample(voxel_size)

# 坐标系转换示例：Velodyne 到车辆坐标系
# 假设已有转换矩阵 T_velo_to_vehicle
transformed_pcd = down_pcd.transform(T_velo_to_vehicle)

# 定义 3D 边界框类
class BoundingBox3D:
    def __init__(self, center, size, rotation):
        """
        :param center: [x,y,z] 中心坐标
        :param size: [l,w,h] 长宽高
        :param rotation: 绕 Z 轴旋转角度(弧度)
        """
        self.center = np.array(center)
        self.size = np.array(size)
        self.rotation = rotation

# 计算 8 个角点坐标
    def get_corners(self):
        l, w, h = self.size
        # 生成局部坐标系角点
        corners_local = np.array([[l/2, w/2, h/2], [l/2, -w/2, h/2],
            [-l/2, -w/2, h/2], [-l/2, w/2, h/2],
            [l/2, w/2, -h/2], [l/2, -w/2, -h/2],
            [-l/2, -w/2, -h/2], [-l/2, w/2, -h/2]
        ])

        # 应用旋转
        rot_mat = np.array([[np.cos(self.rotation), -np.sin(self.rotation), 0],
            [np.sin(self.rotation), np.cos(self.rotation), 0],
            [0, 0, 1]
        ])
        corners_rotated = np.dot(corners_local, rot_mat.T)

        # 平移至全局坐标
        return corners_rotated + self.center

def check_iou(box1, box2):
    """计算两个 3D 框的交并比"""
    from scipy.spatial import ConvexHull

    # 获取两个框的所有角点
    corners1 = box1.get_corners()
    corners2 = box2.get_corners()

    # 计算各自体积
    vol1 = ConvexHull(corners1).volume
    vol2 = ConvexHull(corners2).volume

    # 计算交集体积（简化版，实际需要三维布尔运算）intersection = ... # 实现省略

    return intersection / (vol1 + vol2 - intersection)