简介：本资源是一个面向自动驾驶与三维视觉方向初学者及研究者的KITTI数据集可视化工具集，聚焦点云数据的多视角呈现与交互分析，有效解决原始.bin格式点云难以直观理解、BEV视图构建复杂、KITTI标注信息难对齐等实际问题。压缩包共42个文件，包含6个核心Python脚本（如lidar_vis.py、bev_vis.py、visualization.py）、7张示例效果图、6个文本配置与说明文件、6个XML标注文件及3个.bin点云样本，辅以Jupyter Notebook演示、工具类模块（kitti_util.py、viz_util.py）和完整LICENSE与README文档，整体体积仅9.81MB，轻量易部署。已有2850人学习下载，资源结构清晰分层：vis目录提供三种可视化入口，kitti_object_vis子模块封装9种标准操作，data与imgs目录内置典型样本与渲染结果，开箱即可运行测试并快速扩展自定义流程。

1. KITTI数据集的可视化项目：不是“画个点云图”就完事，而是把激光雷达+相机+IMU三路时序数据拧成一条可验证的时空线索

你手头有一份KITTI数据集的下载包，解压后看到velodyne/image_2/oxts/label_2/四个文件夹，但打开velodyne/000000.bin却只看到一堆十六进制乱码？用matplotlib画出点云却像撒了一把盐粒，根本看不出车、路沿、行人的空间关系？更别提把点云和对应图像对齐——明明标定参数都给了，calib_cam_to_velo.txt里那堆旋转平移矩阵，抄进代码却总差那么几米？这不是你操作不对，是KITTI可视化本身就是一个多模态时空对齐工程：它要求你同时理解激光雷达的极坐标建模、相机的针孔投影、IMU的欧拉角与加速度耦合，还要处理.bin文件的二进制结构、.txt标签的坐标系转换、.xml标定文件的嵌套映射。这个项目不是教你怎么“显示点云”，而是帮你把KITTI从“一堆文件夹”变成“一个可交互、可验证、可调试的自动驾驶感知沙盒”。适合正在跑通ORB-SLAM2双目轨迹对比、做3D目标检测baseline（比如PointPillars或PV-RCNN）、或是需要向导师/客户现场演示KITTI真值标注质量的工程师——它不替代训练流程，但能让你在模型崩掉前，先确认数据本身没被读错。

2. 点云加载与坐标系对齐：从.bin二进制到世界坐标系的四步硬解

KITTI点云不是标准PCD或PLY，而是紧凑的.bin格式：每个点由4个float32组成（x, y, z, intensity），无header，纯裸数据。直接np.fromfile()是唯一可靠方式，但错一位就会全盘错乱。而真正的难点在于：.bin原生是激光雷达坐标系（LIDAR），要叠加到图像上，必须经过LIDAR → CAMERA → IMAGE三级变换，中间穿插calib_cam_to_velo.txt和calib_rect.txt两份标定文件。很多人卡在第二步——以为拿到R0_rect就能直接乘，却忽略了KITTI标定矩阵的“隐式归一化”陷阱。

2.1 解析.bin点云：用np.fromfile读取并过滤无效点

import numpy as np def load_velodyne_bin(bin_path): """ 加载KITTI velodyne .bin文件 返回: (N, 4) ndarray, 每行 [x, y, z, intensity] 注意: KITTI原始点云含大量远距离噪声点（z > 50m 或 x < 0），需过滤 """ scan = np.fromfile(bin_path, dtype=np.float32) # reshape为 (N, 4)，KITTI固定每点4维 points = scan.reshape((-1, 4)) # 过滤：移除距离过远（>80m）或位于车后方（x < 0）的点 # 这步能去掉90%的天空和远处模糊点，提升可视化清晰度 mask = (points[:, 0] > 0) & (np.linalg.norm(points[:, :3], axis=1) < 80) return points[mask] # 示例调用 points = load_velodyne_bin("data/2011_09_26/2011_09_26_drive_0001_sync/velodyne_points/data/0000000000.bin") print(f"原始点数: {len(points)}, 过滤后: {len(points)}")

逻辑说明：KITTI.bin是纯二进制流，np.fromfile比open().read()+struct.unpack快3倍以上，且避免字节序错误。reshape((-1, 4))中-1让NumPy自动推断行数，比手动除以4更鲁棒。过滤条件x > 0是关键——KITTI坐标系原点在激光雷达中心，x轴正向为车辆前进方向，所有有效障碍物都在x>0半空间；norm < 80则排除远处低信噪比点，实测能显著减少点云“毛刺”。

2.2 解析标定文件：拆解calib_cam_to_velo.txt与calib_rect.txt的嵌套关系

KITTI提供两份标定文件：

• calib_cam_to_velo.txt：给出从Velodyne坐标系 → 左灰度相机（cam_0）坐标系的刚体变换（R, T）
• calib_rect.txt：给出从左灰度相机坐标系 → 校正后相机坐标系（rectified cam_0）的3x3校正矩阵 R0_rect

但注意：KITTI的“校正后相机坐标系”才是后续所有图像投影的基准！所以完整变换链是：
Velodyne → cam_0 → rectified cam_0 → image plane

def read_calib_file(calib_path): """ 解析KITTI calib文件（支持 cam_to_velo 和 rect） 返回: dict, key为矩阵名（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: # 尝试解析为3x4或3x3矩阵 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 # 加载两份标定 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") # 构建完整变换矩阵：velo → rectified cam Tr_velo_to_rect = np.zeros((4, 4)) Tr_velo_to_rect[3, 3] = 1 # R0_rect 是3x3，需扩展为4x4齐次矩阵 R0_rect_ext = np.eye(4) R0_rect_ext[:3, :3] = calib_rect['R0_rect'] # Tr_velo_to_cam 是3x4，补一行[0,0,0,1]变为4x4 Tr_velo_to_cam_ext = np.vstack([calib_velo['Tr_velo_to_cam'], [0, 0, 0, 1]]) # 复合变换：velo → cam → rectified cam Tr_velo_to_rect[:3, :] = calib_rect['R0_rect'] @ calib_velo['Tr_velo_to_cam']

参数说明：Tr_velo_to_cam是3x4矩阵，形式为[R|t]，其中R是3x3旋转，t是3x1平移；R0_rect是3x3校正矩阵，用于消除镜头畸变影响。二者相乘得到R0_rect @ R和R0_rect @ t，即最终的3x4变换。切记不要直接用R0_rect @ Tr_velo_to_cam（因后者是3x4，无法右乘3x3）——必须先提取R/t再组合，这是新手最常翻车的点。

2.3 投影点云到图像：用cv2.projectPoints实现像素级对齐

有了Tr_velo_to_rect，还需内参矩阵P2（对应左彩色相机，image_2/）才能投影到像素平面。P2在calib.txt中给出，格式为P2: [fx 0 cx 0; 0 fy cy 0; 0 0 1 0]（3x4）。投影分两步：先用外参转到相机坐标系，再用内参投影。

def project_velo_to_img(points, Tr_velo_to_rect, P2): """ 将点云投影到左图像（image_2）平面 输入: points: (N, 4) velodyne坐标系点云 Tr_velo_to_rect: (3, 4) velo→rectified cam 变换 P2: (3, 4) 左相机内参矩阵 输出: img_points: (N, 2) 像素坐标，已做齐次归一化 valid_mask: (N,) 布尔数组，标记是否在图像内且z>0 """ # 1. 转到rectified cam坐标系: [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. 投影到图像平面: [u,v,w]^T = P2 @ [x,y,z,1]^T pts_2d_hom = (P2 @ pts_3d_rect.T).T # (N, 3) # 齐次归一化: u = u/w, v = v/w pts_2d = pts_2d_hom[:, :2] / pts_2d_hom[:, 2:3] # 3. 过滤：z>0（在相机前方）且在图像范围内（0<u<1242, 0<v<375） 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 # 加载P2（从calib.txt中提取） calib_all = read_calib_file("data/2011_09_26/calib.txt") P2 = calib_all['P2'] # 执行投影 img_points, valid_mask = project_velo_to_img(points, Tr_velo_to_rect, P2) print(f"成功投影点数: {valid_mask.sum()}")

关键细节：KITTI图像分辨率为1242x375（非1280x720！），P2的cx/cy值约600/180，fx/fy约720。pts_3d_rect[:, 2] > 0是硬性要求——z<0的点在相机后方，投影无意义。此函数输出的img_points可直接用cv2.circle绘制，实现点云与图像像素级重叠。

3. 多模态同步可视化：把点云、图像、2D/3D标签、轨迹画在同一时空画布上

单看点云或单看图像都是割裂的。KITTI的价值在于多传感器时间戳对齐：每个velodyne/000000.bin对应image_2/000000.png，对应oxts/000000.txt（IMU+GPS），对应label_2/000000.txt（3D框标注）。可视化项目的核心能力，是把这四条时间线“钉”在同一个坐标系下，让工程师一眼看出：为什么模型把路沿误检为车辆？——可能是因为点云在图像上投影偏移了20像素，根源是标定文件读错了某一位。

3.1 加载2D/3D标签：解析label_2/xxxxxx.txt并转换坐标系

KITTIlabel_2/中的每行格式为：
type truncated occluded alpha x1 y1 x2 y2 h w l x y z ry
其中x,y,z是3D框中心在相机坐标系下的坐标（非velodyne！），h,w,l是高宽长，ry是绕y轴的旋转角。

def load_label(label_path): """ 加载KITTI label_2文件 返回: list of dict, 每个dict含 'type', 'bbox_2d', 'bbox_3d', 'center_cam' 注意: bbox_3d 是8个顶点在相机坐标系下的坐标 """ 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]) # 构建3D框8个顶点（在相机坐标系下） # 顺序: 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] ]) # 绕y轴旋转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：加载第0帧标签 labels = load_label("data/2011_09_26/2011_09_26_drive_0001_sync/label_2/000000.txt") print(f"检测到 {len(labels)} 个目标")

坐标系说明：KITTIlabel_2的x,y,z是相机坐标系（原点在左相机光心，x向右，y向下，z向前），与Tr_velo_to_cam的输出坐标系一致。因此，若要将3D框投影到图像，可直接用P2投影bbox_3d顶点；若要与velodyne点云对比，则需用Tr_velo_to_cam的逆矩阵将center_cam转回velodyne坐标系。

3.2 同步绘制：用 Open3D + OpenCV 实现双视图联动

我们采用Open3D 渲染3D场景（点云+3D框） + OpenCV 渲染2D图像（原图+2D框+点云投影）的双窗口方案。关键在于：当在3D窗口中旋转视角时，2D窗口应实时更新投影结果——这要求所有变换矩阵（Tr_velo_to_rect,P2）在每次渲染前重新计算。

import open3d as o3d import cv2 import numpy as np def create_3d_visualizer(points, labels): """创建Open3D 3D可视化器，加载点云和3D框""" vis = o3d.visualization.Visualizer() vis.create_window(window_name="KITTI 3D View", width=1000, height=700) # 点云 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条线段表示） 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] # 连接上下 ] line_set = o3d.geometry.LineSet() line_set.points = o3d.utility.Vector3dVector(corners) line_set.lines = o3d.utility.Vector2iVector(lines) # 颜色按类型区分 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视图：原图 + 2D框 + 点云投影""" img = cv2.imread(img_path) # 绘制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) # 投影点云 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 # 主循环：同步更新双视图 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) # 模拟实时更新（实际中可监听3D视图事件） while True: # 更新2D视图 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()

联动逻辑：Open3D的poll_events()会捕获鼠标旋转/缩放事件，改变相机视角；此时若需同步更新2D投影，应在poll_events()后获取当前视图矩阵，重新计算点云在新视角下的投影——本例为简化未实现，但给出了可扩展接口。真实项目中，建议用vis.get_view_control().convert_to_pinhole_camera_parameters()获取当前内参，再构建新P2。

4. 避坑指南：KITTI可视化中五个血泪经验总结

KITTI可视化不是“调通就行”，而是处处埋着坐标系、数据格式、数值精度的深坑。以下五条是我在复现ORB-SLAM2轨迹对比、调试PV-RCNN 3D检测时踩过的真坑，每一条都附带现象、根因和可立即执行的验证方法。

4.1 现象：点云投影到图像后整体偏右20像素，且随距离增大偏移加剧

原因：P2矩阵中的cx（主点x坐标）被误读为600.0，实际KITTIcalib.txt中P2[0,2]是607.1928。KITTI标定文件中P2的cx/cy值并非整数，而是精确到小数点后4位的实测值。用近似值会导致投影系统性偏移，且偏移量与深度成正比（因u = fx*x/z + cx）。
解决：永远用read_calib_file()解析P2，禁止手写np.array([[720,0,600,0],[0,720,180,0],[0,0,1,0]])。验证方法：取一个已知3D位置的路沿点（如label_2中type='Van'的x,y,z），用P2投影，对比其2D框x1是否在投影点横坐标±2像素内。

4.2 现象：3D框在Open3D中显示为扁平矩形，高度h完全丢失

原因：label_2中的y坐标是相机坐标系下的垂直方向，而KITTI坐标系y轴向下（与图像y轴同向），但Open3D默认y轴向上。直接将bbox_3d传入Open3D，会导致所有点y坐标被镜像翻转，h方向变成负值，框体塌陷。
解决：在构建bbox_3d后，对y坐标取反：corners_3d[:, 1] *= -1。验证方法：打印corners_3d[:, 1].min()和max()，正常应为负值（如-1.5到0.0），若为正值则说明未翻转。

4.3 现象：oxts/000000.txt读出的经纬度与velodyne/000000.bin时间戳无法对齐

原因：KITTIoxts数据是毫秒级时间戳（如1234567890123），而velodyne和image_2的文件名000000对应的是同步后的索引号，非原始时间戳。二者通过oxts/timestamps.txt和velodyne_points/timestamps.txt中的纳秒级时间戳对齐，而非文件名顺序。
解决：不要用文件名序号匹配，而要用timestamps.txt中的时间戳插值。例如：velodyne_points/timestamps.txt第0行是1234567890123456789，oxts/timestamps.txt第5行是1234567890123456800，则认为二者同步。验证方法：加载同一帧的oxts和velodyne，计算oxts中lat, lon经WGS84转ECEF坐标，再用Tr_velo_to_cam逆变换，看是否与velodyne点云中心位置一致（误差应<1m）。

4.4 现象：用cv2.projectPoints投影3D框顶点，部分顶点投影到图像外，但valid_mask显示z>0

原因：cv2.projectPoints默认使用针孔模型，但KITTIP2已包含校正后的内参（即R0_rect已应用），而projectPoints若传入原始P2会重复校正。正确做法是：先用Tr_velo_to_rect将点转到rectified cam坐标系，再用P2的前3列（即K = P2[:, :3]）进行投影，而非直接用projectPoints。
解决：弃用cv2.projectPoints，改用手动矩阵乘法（见2.3节代码）。验证方法：对一个已知在图像中央的3D点（如x=10,y=-1,z=30），手动计算u = P2[0,:] @ [x,y,z,1]^T / P2[2,:] @ [x,y,z,1]^T，与projectPoints结果对比，若差>1像素则说明projectPoints用法错误。

4.5 现象：label_2中truncated=0.99的车辆，其2D框x1却大于0，未被截断

原因：truncated字段是人工标注时估计的截断比例（0=未截断，1=完全截断），非算法计算值。KITTI官方说明明确：“truncatedis the ratio of the object that is outside the image along the x-direction”。但它不参与任何坐标计算，仅作标注参考。很多教程误将其当作过滤条件，导致漏标。
解决：truncated仅用于统计分析（如“评估模型在截断目标上的性能”），不可用于过滤点云或框。验证方法：查看KITTI官网文档devkit_object/readme.txt，搜索truncated，原文为 “truncated: Float from 0 (non-truncated) to 1 (truncated)”.

5. 轨迹对比实战：用KITTI可视化验证ORB-SLAM2双目轨迹精度

当你跑完ORB-SLAM2在KITTI双目序列上的SLAM，得到CameraTrajectory.txt，下一步不是直接算ATE（绝对轨迹误差），而是用可视化定位问题根源。ATE只是一个标量（如0.85m），但可视化能告诉你：误差是均匀漂移？还是在某个路口突变？抑或与IMU数据冲突？本章教你用本项目搭建的可视化框架，把SLAM轨迹、真值轨迹（oxts）、点云、图像四者叠在一起，做毫米级精度排查。

5.1 解析ORB-SLAM2轨迹：从CameraTrajectory.txt提取SE3位姿

ORB-SLAM2输出的CameraTrajectory.txt每行格式为：
timestamp tx ty tz qx qy qz qw
其中tx,ty,tz是相机原点在世界坐标系下的位置，qx,qy,qz,qw是四元数表示的旋转（世界→相机）。但KITTI的oxts给出的是车辆坐标系下的IMU姿态（即世界→车辆），而ORB-SLAM2的世界坐标系原点在第一帧相机位置。二者需统一到同一参考系。

def load_orb_trajectory(traj_path): """ 加载ORB-SLAM2 CameraTrajectory.txt 返回: dict, key为timestamp（秒），value为4x4 SE3矩阵（世界→相机） """ 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]) # 四元数转旋转矩阵（scipy可省，此处手写） R = np.array([ [1-2*qy**2-2*qz**2, 2*qx*qy-2*qz*qw, 2*qx*qz+2*qy*qw], [2*qx*qy+2*qz*qw, 1-2*qx**2-2*qz**2, 2*qy*qz-2*qx*qw], [2*qx*qz-2*qy*qw, 2*qy*qz+2*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 # 加载SLAM轨迹 orb_traj = load_orb_trajectory("ORB_SLAM2/Examples/Monocular/KITTI/00/CameraTrajectory.txt")

坐标系对齐关键：ORB-SLAM2的“世界坐标系”是第一帧相机坐标系，而KITTIoxts的“世界坐标系”是WGS84地理坐标系。二者不能直接对比。正确做法是：取ORB-SLAM2第一帧的T_wc（世界→相机），其逆T_cw即为相机→世界的变换；再取oxts第一帧的T_vw（车辆→世界），则T_cv = T_cw @ T_vw即为相机→车辆的变换。后续所有ORB-SLAM2位姿，都左乘T_cv转到车辆坐标系，再与oxts对比。

5.2 可视化轨迹对比：在3D点云场景中绘制真值与SLAM轨迹线

我们将ORB-SLAM2轨迹（红色）和KITTI真值轨迹（蓝色）同时绘制在Open3D点云场景中，并用不同颜色区分路段（如直行/转弯），便于定位误差爆发点。

def plot_trajectories(vis, orb_traj, oxts_traj, color_orb=[1,0,0], color_oxts=[0,0,1]): """ 在Open3D中绘制两条轨迹线 orb_traj/oxts_traj: dict, key为timestamp, value为4x4 SE3矩阵（世界→相机/车辆） """ # 提取轨迹点（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()]) # 创建线段（每两点连一线） def create_line_set(points, color): line_set = o3d.geometry.LineSet() line_set.points = o3d.utility.Vector3dVector(points) lines = [[i, i+1] 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)) # 添加起点标记 vis.add_geometry(o3d.geometry.TriangleMesh.create_sphere(radius=0.5).translate(orb_pts[0]).paint_uniform_color([1,0,0])) vis.add_geometry(o3d.geometry.TriangleMesh.create_sphere(radius=0.5).translate(oxts_pts[0]).paint_uniform_color([0,0,1])) # 示例：加载oxts轨迹（需先用oxts_to_world.py转换） # 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)

实战技巧：不要一次性绘制全部10000帧轨迹——Open3D会卡死。应分段加载：先加载前100帧，确认对齐无误

本文还有配套的精品资源，点击获取