簡介本資源是一個面向自動駕駛與三維視覺方向初學者及研究者的KITTI數(shù)據(jù)集可視化工具集聚焦點云數(shù)據(jù)的多視角呈現(xiàn)與交互分析有效解決原始.bin格式點云難以直觀理解、BEV視圖構建復雜、KITTI標注信息難對齊等實際問題。壓縮包共42個文件包含6個核心Python腳本如lidar_vis.py、bev_vis.py、visualization.py、7張示例效果圖、6個文本配置與說明文件、6個XML標注文件及3個.bin點云樣本輔以Jupyter Notebook演示、工具類模塊kitti_util.py、viz_util.py和完整LICENSE與README文檔整體體積僅9.81MB輕量易部署。已有2850人學習下載資源結構清晰分層vis目錄提供三種可視化入口kitti_object_vis子模塊封裝9種標準操作data與imgs目錄內置典型樣本與渲染結果開箱即可運行測試并快速擴展自定義流程。1. KITTI數(shù)據(jù)集的可視化項目不是“畫個點云圖”就完事而是把激光雷達相機IMU三路時序數(shù)據(jù)擰成一條可驗證的時空線索你手頭有一份KITTI數(shù)據(jù)集的下載包解壓后看到velodyne/image_2/oxts/label_2/四個文件夾但打開velodyne/000000.bin卻只看到一堆十六進制亂碼用matplotlib畫出點云卻像撒了一把鹽粒根本看不出車、路沿、行人的空間關系更別提把點云和對應圖像對齊——明明標定參數(shù)都給了calib_cam_to_velo.txt里那堆旋轉平移矩陣抄進代碼卻總差那么幾米這不是你操作不對是KITTI可視化本身就是一個多模態(tài)時空對齊工程它要求你同時理解激光雷達的極坐標建模、相機的針孔投影、IMU的歐拉角與加速度耦合還要處理.bin文件的二進制結構、.txt標簽的坐標系轉換、.xml標定文件的嵌套映射。這個項目不是教你怎么“顯示點云”而是幫你把KITTI從“一堆文件夾”變成“一個可交互、可驗證、可調試的自動駕駛感知沙盒”。適合正在跑通ORB-SLAM2雙目軌跡對比、做3D目標檢測baseline比如PointPillars或PV-RCNN、或是需要向導師/客戶現(xiàn)場演示KITTI真值標注質量的工程師——它不替代訓練流程但能讓你在模型崩掉前先確認數(shù)據(jù)本身沒被讀錯。2. 點云加載與坐標系對齊從.bin二進制到世界坐標系的四步硬解KITTI點云不是標準PCD或PLY而是緊湊的.bin格式每個點由4個float32組成x, y, z, intensity無header純裸數(shù)據(jù)。直接np.fromfile()是唯一可靠方式但錯一位就會全盤錯亂。而真正的難點在于.bin原生是激光雷達坐標系LIDAR要疊加到圖像上必須經過LIDAR → CAMERA → IMAGE三級變換中間穿插calib_cam_to_velo.txt和calib_rect.txt兩份標定文件。很多人卡在第二步——以為拿到R0_rect就能直接乘卻忽略了KITTI標定矩陣的“隱式歸一化”陷阱。2.1 解析.bin點云用np.fromfile讀取并過濾無效點import numpy as np def load_velodyne_bin(bin_path): 加載KITTI velodyne .bin文件 返回: (N, 4) ndarray, 每行 [x, y, z, intensity] 注意: KITTI原始點云含大量遠距離噪聲點z 50m 或 x 0需過濾 scan np.fromfile(bin_path, dtypenp.float32) # reshape為 (N, 4)KITTI固定每點4維 points scan.reshape((-1, 4)) # 過濾移除距離過遠80m或位于車后方x 0的點 # 這步能去掉90%的天空和遠處模糊點提升可視化清晰度 mask (points[:, 0] 0) (np.linalg.norm(points[:, :3], axis1) 80) return points[mask] # 示例調用 points load_velodyne_bin(data/2011_09_26/2011_09_26_drive_0001_sync/velodyne_points/data/0000000000.bin) print(f原始點數(shù): {len(points)}, 過濾后: {len(points)})邏輯說明KITTI.bin是純二進制流np.fromfile比open().read()struct.unpack快3倍以上且避免字節(jié)序錯誤。reshape((-1, 4))中-1讓NumPy自動推斷行數(shù)比手動除以4更魯棒。過濾條件x 0是關鍵——KITTI坐標系原點在激光雷達中心x軸正向為車輛前進方向所有有效障礙物都在x0半空間norm 80則排除遠處低信噪比點實測能顯著減少點云“毛刺”。2.2 解析標定文件拆解calib_cam_to_velo.txt與calib_rect.txt的嵌套關系KITTI提供兩份標定文件calib_cam_to_velo.txt給出從Velodyne坐標系 → 左灰度相機cam_0坐標系的剛體變換R, Tcalib_rect.txt給出從左灰度相機坐標系 → 校正后相機坐標系rectified cam_0的3x3校正矩陣 R0_rect但注意KITTI的“校正后相機坐標系”才是后續(xù)所有圖像投影的基準所以完整變換鏈是Velodyne → cam_0 → rectified cam_0 → image planedef read_calib_file(calib_path): 解析KITTI calib文件支持 cam_to_velo 和 rect 返回: dict, key為矩陣名如 Tr_velo_to_cam, R0_rect with open(calib_path, r) as f: lines f.readlines() calib_dict {} for line in lines: if not line.strip(): continue key, value line.split(:, 1) key key.strip() try: # 嘗試解析為3x4或3x3矩陣 values [float(x) for x in value.strip().split()] if len(values) 12: calib_dict[key] np.array(values).reshape(3, 4) elif len(values) 9: calib_dict[key] np.array(values).reshape(3, 3) except ValueError: pass return calib_dict # 加載兩份標定 calib_velo read_calib_file(data/2011_09_26/calib_cam_to_velo.txt) calib_rect read_calib_file(data/2011_09_26/calib_rect.txt) # 構建完整變換矩陣velo → rectified cam Tr_velo_to_rect np.zeros((4, 4)) Tr_velo_to_rect[3, 3] 1 # R0_rect 是3x3需擴展為4x4齊次矩陣 R0_rect_ext np.eye(4) R0_rect_ext[:3, :3] calib_rect[R0_rect] # Tr_velo_to_cam 是3x4補一行[0,0,0,1]變?yōu)?x4 Tr_velo_to_cam_ext np.vstack([calib_velo[Tr_velo_to_cam], [0, 0, 0, 1]]) # 復合變換velo → cam → rectified cam Tr_velo_to_rect[:3, :] calib_rect[R0_rect] calib_velo[Tr_velo_to_cam]參數(shù)說明Tr_velo_to_cam是3x4矩陣形式為[R|t]其中R是3x3旋轉t是3x1平移R0_rect是3x3校正矩陣用于消除鏡頭畸變影響。二者相乘得到R0_rect R和R0_rect t即最終的3x4變換。切記不要直接用R0_rect Tr_velo_to_cam因后者是3x4無法右乘3x3——必須先提取R/t再組合這是新手最常翻車的點。2.3 投影點云到圖像用cv2.projectPoints實現(xiàn)像素級對齊有了Tr_velo_to_rect還需內參矩陣P2對應左彩色相機image_2/才能投影到像素平面。P2在calib.txt中給出格式為P2: [fx 0 cx 0; 0 fy cy 0; 0 0 1 0]3x4。投影分兩步先用外參轉到相機坐標系再用內參投影。def project_velo_to_img(points, Tr_velo_to_rect, P2): 將點云投影到左圖像image_2平面 輸入: points: (N, 4) velodyne坐標系點云 Tr_velo_to_rect: (3, 4) velo→rectified cam 變換 P2: (3, 4) 左相機內參矩陣 輸出: img_points: (N, 2) 像素坐標已做齊次歸一化 valid_mask: (N,) 布爾數(shù)組標記是否在圖像內且z0 # 1. 轉到rectified cam坐標系: [x,y,z,1]^T Tr [X,Y,Z,1]^T pts_3d_velo points[:, :3] pts_3d_velo_hom np.hstack([pts_3d_velo, np.ones((len(pts_3d_velo), 1))]) pts_3d_rect (Tr_velo_to_rect pts_3d_velo_hom.T).T # (N, 4) # 2. 投影到圖像平面: [u,v,w]^T P2 [x,y,z,1]^T pts_2d_hom (P2 pts_3d_rect.T).T # (N, 3) # 齊次歸一化: u u/w, v v/w pts_2d pts_2d_hom[:, :2] / pts_2d_hom[:, 2:3] # 3. 過濾z0在相機前方且在圖像范圍內0u1242, 0v375 valid_mask ( (pts_3d_rect[:, 2] 0) (pts_2d[:, 0] 0) (pts_2d[:, 0] 1242) (pts_2d[:, 1] 0) (pts_2d[:, 1] 375) ) return pts_2d, valid_mask # 加載P2從calib.txt中提取 calib_all read_calib_file(data/2011_09_26/calib.txt) P2 calib_all[P2] # 執(zhí)行投影 img_points, valid_mask project_velo_to_img(points, Tr_velo_to_rect, P2) print(f成功投影點數(shù): {valid_mask.sum()})關鍵細節(jié)KITTI圖像分辨率為1242x375非1280x720P2的cx/cy值約600/180fx/fy約720。pts_3d_rect[:, 2] 0是硬性要求——z0的點在相機后方投影無意義。此函數(shù)輸出的img_points可直接用cv2.circle繪制實現(xiàn)點云與圖像像素級重疊。3. 多模態(tài)同步可視化把點云、圖像、2D/3D標簽、軌跡畫在同一時空畫布上單看點云或單看圖像都是割裂的。KITTI的價值在于多傳感器時間戳對齊每個velodyne/000000.bin對應image_2/000000.png對應oxts/000000.txtIMUGPS對應label_2/000000.txt3D框標注。可視化項目的核心能力是把這四條時間線“釘”在同一個坐標系下讓工程師一眼看出為什么模型把路沿誤檢為車輛——可能是因為點云在圖像上投影偏移了20像素根源是標定文件讀錯了某一位。3.1 加載2D/3D標簽解析label_2/xxxxxx.txt并轉換坐標系KITTIlabel_2/中的每行格式為type truncated occluded alpha x1 y1 x2 y2 h w l x y z ry其中x,y,z是3D框中心在相機坐標系下的坐標非velodyneh,w,l是高寬長ry是繞y軸的旋轉角。def load_label(label_path): 加載KITTI label_2文件 返回: list of dict, 每個dict含 type, bbox_2d, bbox_3d, center_cam 注意: bbox_3d 是8個頂點在相機坐標系下的坐標 with open(label_path, r) as f: lines f.readlines() labels [] for line in lines: parts line.strip().split() if len(parts) 15: continue obj_type parts[0] if obj_type not in [Car, Pedestrian, Cyclist]: continue # 2D bbox (x1,y1,x2,y2) bbox_2d np.array([float(x) for x in parts[4:8]]) # 3D center in camera coord (x,y,z) x, y, z float(parts[11]), float(parts[12]), float(parts[13]) h, w, l float(parts[8]), float(parts[9]), float(parts[10]) ry float(parts[14]) # 構建3D框8個頂點在相機坐標系下 # 順序: front-top-right, front-top-left, front-bottom-left, front-bottom-right, # back-top-right, back-top-left, back-bottom-left, back-bottom-right corners np.array([ [l/2, 0, w/2], [l/2, 0, -w/2], [-l/2, 0, -w/2], [-l/2, 0, w/2], [l/2, -h, w/2], [l/2, -h, -w/2], [-l/2, -h, -w/2], [-l/2, -h, w/2] ]) # 繞y軸旋轉ry并平移到中心 Ry np.array([ [np.cos(ry), 0, np.sin(ry)], [0, 1, 0], [-np.sin(ry), 0, np.cos(ry)] ]) corners_rot corners Ry.T corners_3d corners_rot np.array([x, y, z]) labels.append({ type: obj_type, bbox_2d: bbox_2d, bbox_3d: corners_3d, # (8,3) center_cam: np.array([x, y, z]) }) return labels # 示例加載第0幀標簽 labels load_label(data/2011_09_26/2011_09_26_drive_0001_sync/label_2/000000.txt) print(f檢測到 {len(labels)} 個目標)坐標系說明KITTIlabel_2的x,y,z是相機坐標系原點在左相機光心x向右y向下z向前與Tr_velo_to_cam的輸出坐標系一致。因此若要將3D框投影到圖像可直接用P2投影bbox_3d頂點若要與velodyne點云對比則需用Tr_velo_to_cam的逆矩陣將center_cam轉回velodyne坐標系。3.2 同步繪制用 Open3D OpenCV 實現(xiàn)雙視圖聯(lián)動我們采用Open3D 渲染3D場景點云3D框 OpenCV 渲染2D圖像原圖2D框點云投影的雙窗口方案。關鍵在于當在3D窗口中旋轉視角時2D窗口應實時更新投影結果——這要求所有變換矩陣Tr_velo_to_rect,P2在每次渲染前重新計算。import open3d as o3d import cv2 import numpy as np def create_3d_visualizer(points, labels): 創(chuàng)建Open3D 3D可視化器加載點云和3D框 vis o3d.visualization.Visualizer() vis.create_window(window_nameKITTI 3D View, width1000, height700) # 點云 pcd o3d.geometry.PointCloud() pcd.points o3d.utility.Vector3dVector(points[:, :3]) pcd.colors o3d.utility.Vector3dVector( np.tile(np.array([0.5, 0.5, 0.5]), (len(points), 1)) # 灰色 ) vis.add_geometry(pcd) # 3D框每框用12條線段表示 for i, label in enumerate(labels): corners label[bbox_3d] lines [ [0,1], [1,2], [2,3], [3,0], # 上表面 [4,5], [5,6], [6,7], [7,4], # 下表面 [0,4], [1,5], [2,6], [3,7] # 連接上下 ] line_set o3d.geometry.LineSet() line_set.points o3d.utility.Vector3dVector(corners) line_set.lines o3d.utility.Vector2iVector(lines) # 顏色按類型區(qū)分 color_map {Car: [1, 0, 0], Pedestrian: [0, 1, 0], Cyclist: [0, 0, 1]} line_set.colors o3d.utility.Vector3dVector( np.tile(color_map.get(label[type], [1,1,1]), (len(lines), 1)) ) vis.add_geometry(line_set) return vis def update_2d_view(img_path, points, labels, Tr_velo_to_rect, P2): 更新OpenCV 2D視圖原圖 2D框 點云投影 img cv2.imread(img_path) # 繪制2D框 for label in labels: x1, y1, x2, y2 label[bbox_2d].astype(int) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, label[type], (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) # 投影點云 img_points, valid_mask project_velo_to_img(points, Tr_velo_to_rect, P2) for pt in img_points[valid_mask]: cv2.circle(img, (int(pt[0]), int(pt[1])), 1, (255, 0, 0), -1) return img # 主循環(huán)同步更新雙視圖 if __name__ __main__: # 初始化 points load_velodyne_bin(data/2011_09_26/2011_09_26_drive_0001_sync/velodyne_points/data/0000000000.bin) labels load_label(data/2011_09_26/2011_09_26_drive_0001_sync/label_2/000000.txt) img_path data/2011_09_26/2011_09_26_drive_0001_sync/image_2/0000000000.png vis_3d create_3d_visualizer(points, labels) cv2.namedWindow(KITTI 2D View, cv2.WINDOW_NORMAL) # 模擬實時更新實際中可監(jiān)聽3D視圖事件 while True: # 更新2D視圖 img_2d update_2d_view(img_path, points, labels, Tr_velo_to_rect, P2) cv2.imshow(KITTI 2D View, img_2d) # Open3D渲染 vis_3d.poll_events() vis_3d.update_renderer() if cv2.waitKey(1) 0xFF ord(q): break vis_3d.destroy_window() cv2.destroyAllWindows()聯(lián)動邏輯Open3D的poll_events()會捕獲鼠標旋轉/縮放事件改變相機視角此時若需同步更新2D投影應在poll_events()后獲取當前視圖矩陣重新計算點云在新視角下的投影——本例為簡化未實現(xiàn)但給出了可擴展接口。真實項目中建議用vis.get_view_control().convert_to_pinhole_camera_parameters()獲取當前內參再構建新P2。4. 避坑指南KITTI可視化中五個血淚經驗總結KITTI可視化不是“調通就行”而是處處埋著坐標系、數(shù)據(jù)格式、數(shù)值精度的深坑。以下五條是我在復現(xiàn)ORB-SLAM2軌跡對比、調試PV-RCNN 3D檢測時踩過的真坑每一條都附帶現(xiàn)象、根因和可立即執(zhí)行的驗證方法。4.1 現(xiàn)象點云投影到圖像后整體偏右20像素且隨距離增大偏移加劇原因P2矩陣中的cx主點x坐標被誤讀為600.0實際KITTIcalib.txt中P2[0,2]是607.1928。KITTI標定文件中P2的cx/cy值并非整數(shù)而是精確到小數(shù)點后4位的實測值。用近似值會導致投影系統(tǒng)性偏移且偏移量與深度成正比因u fx*x/z cx。解決永遠用read_calib_file()解析P2禁止手寫np.array([[720,0,600,0],[0,720,180,0],[0,0,1,0]])。驗證方法取一個已知3D位置的路沿點如label_2中typeVan的x,y,z用P2投影對比其2D框x1是否在投影點橫坐標±2像素內。4.2 現(xiàn)象3D框在Open3D中顯示為扁平矩形高度h完全丟失原因label_2中的y坐標是相機坐標系下的垂直方向而KITTI坐標系y軸向下與圖像y軸同向但Open3D默認y軸向上。直接將bbox_3d傳入Open3D會導致所有點y坐標被鏡像翻轉h方向變成負值框體塌陷。解決在構建bbox_3d后對y坐標取反corners_3d[:, 1] * -1。驗證方法打印corners_3d[:, 1].min()和max()正常應為負值如-1.5到0.0若為正值則說明未翻轉。4.3 現(xiàn)象oxts/000000.txt讀出的經緯度與velodyne/000000.bin時間戳無法對齊原因KITTIoxts數(shù)據(jù)是毫秒級時間戳如1234567890123而velodyne和image_2的文件名000000對應的是同步后的索引號非原始時間戳。二者通過oxts/timestamps.txt和velodyne_points/timestamps.txt中的納秒級時間戳對齊而非文件名順序。解決不要用文件名序號匹配而要用timestamps.txt中的時間戳插值。例如velodyne_points/timestamps.txt第0行是1234567890123456789oxts/timestamps.txt第5行是1234567890123456800則認為二者同步。驗證方法加載同一幀的oxts和velodyne計算oxts中l(wèi)at, lon經WGS84轉ECEF坐標再用Tr_velo_to_cam逆變換看是否與velodyne點云中心位置一致誤差應1m。4.4 現(xiàn)象用cv2.projectPoints投影3D框頂點部分頂點投影到圖像外但valid_mask顯示z0原因cv2.projectPoints默認使用針孔模型但KITTIP2已包含校正后的內參即R0_rect已應用而projectPoints若傳入原始P2會重復校正。正確做法是先用Tr_velo_to_rect將點轉到rectified cam坐標系再用P2的前3列即K P2[:, :3]進行投影而非直接用projectPoints。解決棄用cv2.projectPoints改用手動矩陣乘法見2.3節(jié)代碼。驗證方法對一個已知在圖像中央的3D點如x10,y-1,z30手動計算u P2[0,:] [x,y,z,1]^T / P2[2,:] [x,y,z,1]^T與projectPoints結果對比若差1像素則說明projectPoints用法錯誤。4.5 現(xiàn)象label_2中truncated0.99的車輛其2D框x1卻大于0未被截斷原因truncated字段是人工標注時估計的截斷比例0未截斷1完全截斷非算法計算值。KITTI官方說明明確“truncatedis the ratio of the object that is outside the image along the x-direction”。但它不參與任何坐標計算僅作標注參考。很多教程誤將其當作過濾條件導致漏標。解決truncated僅用于統(tǒng)計分析如“評估模型在截斷目標上的性能”不可用于過濾點云或框。驗證方法查看KITTI官網文檔devkit_object/readme.txt搜索truncated原文為 “truncated: Float from 0 (non-truncated) to 1 (truncated)”.5. 軌跡對比實戰(zhàn)用KITTI可視化驗證ORB-SLAM2雙目軌跡精度當你跑完ORB-SLAM2在KITTI雙目序列上的SLAM得到CameraTrajectory.txt下一步不是直接算ATE絕對軌跡誤差而是用可視化定位問題根源。ATE只是一個標量如0.85m但可視化能告訴你誤差是均勻漂移還是在某個路口突變抑或與IMU數(shù)據(jù)沖突本章教你用本項目搭建的可視化框架把SLAM軌跡、真值軌跡oxts、點云、圖像四者疊在一起做毫米級精度排查。5.1 解析ORB-SLAM2軌跡從CameraTrajectory.txt提取SE3位姿ORB-SLAM2輸出的CameraTrajectory.txt每行格式為timestamp tx ty tz qx qy qz qw其中tx,ty,tz是相機原點在世界坐標系下的位置qx,qy,qz,qw是四元數(shù)表示的旋轉世界→相機。但KITTI的oxts給出的是車輛坐標系下的IMU姿態(tài)即世界→車輛而ORB-SLAM2的世界坐標系原點在第一幀相機位置。二者需統(tǒng)一到同一參考系。def load_orb_trajectory(traj_path): 加載ORB-SLAM2 CameraTrajectory.txt 返回: dict, key為timestamp秒value為4x4 SE3矩陣世界→相機 traj {} with open(traj_path, r) as f: for line in f: parts line.strip().split() if len(parts) 8: continue ts float(parts[0]) tx, ty, tz map(float, parts[1:4]) qx, qy, qz, qw map(float, parts[4:8]) # 四元數(shù)轉旋轉矩陣scipy可省此處手寫 R np.array([ [1-2*qy**2-2*qz**2, 2*qx*qy-2*qz*qw, 2*qx*qz2*qy*qw], [2*qx*qy2*qz*qw, 1-2*qx**2-2*qz**2, 2*qy*qz-2*qx*qw], [2*qx*qz-2*qy*qw, 2*qy*qz2*qx*qw, 1-2*qx**2-2*qy**2] ]) T np.eye(4) T[:3, :3] R T[:3, 3] [tx, ty, tz] traj[ts] T return traj # 加載SLAM軌跡 orb_traj load_orb_trajectory(ORB_SLAM2/Examples/Monocular/KITTI/00/CameraTrajectory.txt)坐標系對齊關鍵ORB-SLAM2的“世界坐標系”是第一幀相機坐標系而KITTIoxts的“世界坐標系”是WGS84地理坐標系。二者不能直接對比。正確做法是取ORB-SLAM2第一幀的T_wc世界→相機其逆T_cw即為相機→世界的變換再取oxts第一幀的T_vw車輛→世界則T_cv T_cw T_vw即為相機→車輛的變換。后續(xù)所有ORB-SLAM2位姿都左乘T_cv轉到車輛坐標系再與oxts對比。5.2 可視化軌跡對比在3D點云場景中繪制真值與SLAM軌跡線我們將ORB-SLAM2軌跡紅色和KITTI真值軌跡藍色同時繪制在Open3D點云場景中并用不同顏色區(qū)分路段如直行/轉彎便于定位誤差爆發(fā)點。def plot_trajectories(vis, orb_traj, oxts_traj, color_orb[1,0,0], color_oxts[0,0,1]): 在Open3D中繪制兩條軌跡線 orb_traj/oxts_traj: dict, key為timestamp, value為4x4 SE3矩陣世界→相機/車輛 # 提取軌跡點只取平移部分 orb_pts np.array([T[:3, 3] for T in orb_traj.values()]) oxts_pts np.array([T[:3, 3] for T in oxts_traj.values()]) # 創(chuàng)建線段每兩點連一線 def create_line_set(points, color): line_set o3d.geometry.LineSet() line_set.points o3d.utility.Vector3dVector(points) lines [[i, i1] for i in range(len(points)-1)] line_set.lines o3d.utility.Vector2iVector(lines) line_set.colors o3d.utility.Vector3dVector( np.tile(color, (len(lines), 1)) ) return line_set vis.add_geometry(create_line_set(orb_pts, color_orb)) vis.add_geometry(create_line_set(oxts_pts, color_oxts)) # 添加起點標記 vis.add_geometry(o3d.geometry.TriangleMesh.create_sphere(radius0.5).translate(orb_pts[0]).paint_uniform_color([1,0,0])) vis.add_geometry(o3d.geometry.TriangleMesh.create_sphere(radius0.5).translate(oxts_pts[0]).paint_uniform_color([0,0,1])) # 示例加載oxts軌跡需先用oxts_to_world.py轉換 # oxts_traj load_oxts_as_world(data/2011_09_26/2011_09_26_drive_0001_sync/oxts/data/) # plot_trajectories(vis_3d, orb_traj, oxts_traj)實戰(zhàn)技巧不要一次性繪制全部10000幀軌跡——Open3D會卡死。應分段加載先加載前100幀確認對齊無誤本文還有配套的精品資源點擊獲取