彩色點雲：LiDAR 加相機

重點

回波強度不是顏色：強度是雷射波長的反射強弱，不等於可見光下的顏色。
上色就是投影取色：每個 LiDAR 點經外參與內參投影到同一時刻的影像，取該像素的顏色。
四個前提：外參校正、時間對齊、遮擋判斷、曝光一致。任何一項出錯，點就會取到錯的顏色或錯的亮度。
只有相機看得到的點該有顏色：視野外的點沒有顏色；被前景擋住的點若不做遮擋判斷，會取到前景的顏色。
R3LIVE 一類的緊耦合系統另用地圖點顏色修正位姿，並融合多次觀測來更新每個點的顏色(Lin & Zhang, 2022, Sec. V)。
工地證據缺口：本站紀錄中，未見在施工中工地評估 LiDAR 加相機彩色點雲顏色精度的研究。

上色的步驟：把點投影到影像

LiDAR 座標的點 $\mathbf p_L$ 先以外參（extrinsic parameters） $(\mathbf R,\mathbf t)$ 轉到相機座標，再以針孔模型投影成像素：

\mathbf p_c=\mathbf R\,\mathbf p_L+\mathbf t,\qquad u=f_x\frac{x_c}{z_c}+c_x,\quad v=f_y\frac{y_c}{z_c}+c_y

這是針孔模型的物理原理推導（相機模型見 D-04 針孔模型）。實作上還要處理：

時間對齊：旋轉或固態 LiDAR 一次掃描的點分散在不同時刻。施工中岩石隧道的研究把相鄰掃描依每次曝光時刻切片重組，容差 ±0.05 s(Li et al., 2026b, Sec. 2.1.2; Table A1)；SR-LIVO 重組掃描，讓每段掃描的結束時間對齊影像時刻(Yuan et al., 2024, Sec. V-A)（校園資料）。
取色：上述隧道研究取投影位置的最近鄰像素(Li et al., 2026b, Sec. 2.1.2)；本頁的模擬以雙線性內插取色。
遮擋：相機看不到的點不該上色。一個橋梁巡檢系統反過來以加速的射線追蹤，把影像像素投到無序點雲上，不需建網格(Charron et al., 2026, Sec. 3.3.1)（營運中鐵路橋與停車場）；由像素出發的射線只會標到先碰到的點（推論）。本頁的模擬改以相機深度影像判斷。
曝光：R3LIVE++ 離線校正相機響應函數與暗角、線上估計曝光時間，讓地圖點儲存與曝光無關的輻射值(Lin & Zhang, 2024, Sec. V; Sec. VI-F1)（校園）。

D-08a從灰階到彩色：LiDAR 點取相機影像的顏色教學模擬 · 非實測資料

點的著色

上色用的影像

相機沒看到的點

小窗投影點

工地實景

三維教學模擬：操作者手持裝有旋轉式 LiDAR 與彩色相機的設備，沿施工樓層繞行；青色視錐是相機的視野，LiDAR 點依相機影像取得實際顏色並逐漸累積，還沒被任何影像看到的點以藍灰色表示，之後被影像看到時補上顏色；左上小窗是相機即時影像，上面疊著投影過去的 LiDAR 點。

三維場景載入中…

看什麼：把「工地實景」切到隱藏，只看點雲（背景改為深灰，淺色混凝土的點才看得清楚）：模板是褐色、棧板是木色、安全欄杆是黃色，都取自相機影像；藍灰色的點還沒有被任何一張影像看到。改選「回波強度」：同一批點依反射強弱著色，與實際顏色並不一致。小窗中的小方塊是上一段 0.1 s 的 LiDAR 點投影到新影像的位置，依距離由近（紅）到遠（藍）著色。

「上色用的影像」選「只用量到時」：每個點只取它被量到那一刻的影像。相機視角約 70°，LiDAR 卻轉一整圈，讀數中約七成的點量到時在相機視野外，一直是藍灰色，「有相機顏色的點」只有三成左右。
改選「之後的影像也可」：還沒上色的點，之後只要有一張影像看到就取色，「有相機顏色的點」明顯增加，點雲看起來接近實景。R3LIVE 一類系統也讓之後的影像更新地圖點的顏色，並融合多次觀測(Lin & Zhang, 2022, Sec. V)；本圖只取第一次看到的顏色，是教學簡化，融合見 D-08c。走動工人的點若之後才被看到，會取到工人離開後的背景顏色（物理原理推導）。

LiDAR 每秒 5 圈、16 條雷射，相機每秒 10 張、320 × 240 像素，都是示意參數；操作者只畫出外觀，模擬的 LiDAR 看不到他，相機影像也把他略去。可見的雷射光束、投影點、視錐、標示圓環與不確定度的顏色都是教學視覺化：近紅外雷射人眼看不見。點的「實際顏色」取自模擬場景算繪的相機影像，場景為模擬，不是實測資料；設備是通用外型，不對應任何產品；數值都是示意參數。

著色誤差從哪裡來

小角度下，以焦距 $f$ （像素）表示，外參的旋轉誤差 $\delta\theta$ 、平移誤差 $\delta t$ （點深度 $z$ ），以及轉動角速度 $\omega$ 下的時間偏移 $\Delta t$ ，讓投影位置大約偏移：

\Delta u_{\mathrm{rot}}\approx f\,\delta\theta,\qquad \Delta u_{\mathrm{trans}}\approx\frac{f\,\delta t}{z},\qquad \Delta u_{\mathrm{time}}\approx f\,\omega\,\Delta t

以 $f=1000$ px 為例：0.1° 約 1.7 px；1 cm 的平移在 1 m 處約 10 px、5 m 處約 2 px；每秒 90° 轉動下 10 ms 的時間偏移約 16 px。LiDAR 與相機相距基線 $b$ 時，深度 $z_1$ 的邊緣後方、深度 $z_2$ 的背景上，有一條 LiDAR 看得到、相機看不到的帶狀區：

w\approx b\,\frac{z_2-z_1}{z_1}

下圖雲台正對柱子時，基線 0.4 m、柱正面深度約 3.15 m、模板牆面深度約 4.7 m，帶寬約 20 cm。以上都是物理原理推導，數值為示意參數。文獻中的對應情況：

ConSLAM 以 ROS 軟體同步，門檻小於 10 ms、實際誤差略高於 10 ms，快速旋轉時 LiDAR 點投影到影像最多偏約 20 px(Trzeciak et al., 2023, Data collection system)（施工中工地）。
FAST-LIVO2 的作者指出，像素級的對齊需要硬體同步與嚴格的外參預校正(Zheng et al., 2025, Sec. I)。
深度不連續的邊緣受前景背景混合影響而不可靠(Yuan et al., 2021, Sec. III)；雷射光束發散使棋盤格邊緣在 6 m 處膨脹約 1.4 cm，在上色點雲中看得到(Yuan et al., 2021, Sec. IV-B; Fig. 19)（室內外一般場景，非工地）。
自動曝光使合併的上色點雲顏色不一致(Tao et al., 2025, Sec. 7)（歷史建築群）。

D-08b著色誤差：柱邊、視差、曝光與移動物件教學模擬 · 非實測資料

LiDAR 到相機的旋轉誤差（偏航）0.0°

相機時間偏移0 ms

遮擋檢查

曝光

標示不同的點

工地實景

三維教學模擬：三腳架雲台上的 LiDAR 與彩色相機相距 0.4 m，左右轉動，對著一根方形混凝土柱；柱後 1 m 是模板牆、鋼筋網、黃色安全欄杆與水泥袋，一名工人在柱與牆之間來回走動。點雲依相機影像上色，顏色與無誤差著色不同的點以洋紅色圓環標示；左上小窗是相機影像。

三維場景載入中…

看什麼：每個點用同一張影像上色兩次：一次沒有任何誤差（真實外參、正確時間、開遮擋檢查、固定曝光），一次用你的設定；兩者 CIE76 色差大於 10，或不該上色卻上了色，就算「不同」，並以洋紅色圓環標示。把「工地實景」切到隱藏，可在深灰背景上只看點的顏色。

旋轉誤差拉到 1.5°：柱的一側邊緣帶上模板的褐色；另一側牆上的點投影到柱上，被遮擋檢查擋下而成藍灰色，關掉遮擋檢查才會帶上柱子的灰色。紋理細密的鋼筋網與模板整片都會出現標示，錯位不只發生在柱邊。
時間偏移拉到 50 ms：雲台轉得快時錯色帶變寬，停在兩端轉向時幾乎消失（讀數中的估計偏移依上式計算）。
關掉遮擋檢查：柱後那條 LiDAR 看得到、相機看不到的帶狀區，被塗上柱子的顏色。
曝光改為逐張變動：同一面牆出現一塊亮一塊暗的色塊。
走動的工人：即使沒有誤差，影像與 LiDAR 在不同時刻看到工人，點雲裡留下工人顏色的殘影與拖尾（物理原理推導）；這在兩次上色中都會出現，不計入「不同」。

LiDAR 每秒 10 圈、32 條雷射，只模擬前方約 160° 的扇區；相機每秒 10 張、320 × 240 像素；轉動幅度 ±30°、每 3.3 s 一個來回，都是示意參數。可見的雷射光束、投影點、視錐、標示圓環與不確定度的顏色都是教學視覺化：近紅外雷射人眼看不見。點的「實際顏色」取自模擬場景算繪的相機影像，場景為模擬，不是實測資料；設備是通用外型，不對應任何產品；數值都是示意參數。

緊耦合：顏色也用來修正位姿

緊耦合（tightly coupled）的 LiDAR 視覺慣性里程計讓相機量測直接參與位姿估計。以 R3LIVE 為例（校園與海港步道，非工地）：

幾何由 LiDAR 慣性里程計建立，沿用 FAST-LIO2(Lin & Zhang, 2022, Fig. 2)。
視覺模組以地圖點的 RGB 與當前影像之間的光度誤差，做影像對地圖的精修；每個點的顏色以貝氏更新融合多次觀測(Lin & Zhang, 2022, Sec. V)。

下列兩式是這個想法的簡化形式（物理原理推導，教學用；實際系統另有曝光、影像區塊與離群值的處理）。位姿更新：

\hat{\mathbf T}=\arg\min_{\mathbf T}\sum_i\rho\Bigl(\mathbf I\bigl(\pi(\mathbf T\,\mathbf p_i)\bigr)-\mathbf c_i\Bigr)

$\mathbf c_i$ 是地圖點的顏色， $\rho$ 是降低離群值影響的穩健函數。顏色更新：把觀測 $\mathbf z$ （變異數 $\sigma_o^2$ ）與目前的顏色（變異數 $\sigma^2$ ）以反變異數加權融合， $n$ 次等精度觀測後標準差降為：

\mathbf c\leftarrow\frac{\sigma_o^{2}\,\mathbf c+\sigma^{2}\,\mathbf z}{\sigma^{2}+\sigma_o^{2}},\qquad \sigma^{2}\leftarrow\frac{\sigma^{2}\sigma_o^{2}}{\sigma^{2}+\sigma_o^{2}}\quad\Longrightarrow\quad \sigma_n=\frac{\sigma_o}{\sqrt n}

文獻中的相關結果：

R3LIVE++ 加入曝光與暗角處理，平均光度誤差 18.01，R3LIVE 為 23.58（單位未載明）(Lin & Zhang, 2024, Table VI)（校園）。
SR-LIVO 讓視覺模組只精修內參、外參與時間偏移，並以 R3LIVE 的方式上色(Yuan et al., 2024, Sec. V-B)；以影像時刻的 LiDAR 慣性位姿上色，PSNR 與 SSIM 高於以視覺模組位姿上色(Yuan et al., 2024, Table IV)（校園與公開資料）。
FAST-LIVO2 在 Hilti 2022 的 Construction Stairs 序列軌跡誤差 0.016 m，只用其 LiDAR 慣性部分為 0.221 m(Zheng et al., 2025, Table II)；但這組資料的相機是灰階(Zhang et al., 2023c, Table I)，只能說明影像有助軌跡，與顏色無關（推論）。
反例：施工中岩石隧道中，FAST-LIVO 約 20 m 後發散；只把相機用於上色的強化 FAST-LIO，軌跡在運動學上合理，沒有超過 1 m 的逐幀跳動(Li et al., 2026b, Sec. 3.1)。該研究沒有軌跡真值，而且只有一組約 300 m 的資料(Li et al., 2026b, Sec. 4.1)。
FAST-LIVO2 在暗而模糊的序列略遜於 FAST-LIO2，因為影像沒有提供額外資訊(Zheng et al., 2025, Sec. IX-B)。

D-08c緊耦合 LiDAR 視覺慣性里程計如何使用顏色教學模擬 · 非實測資料

第 1 步，共 5 步

LiDAR 慣性幾何：LiDAR 與 IMU 先估計位姿並建立地圖。地圖點只有位置，以灰色表示。

地圖點著色

工地實景

標籤

三維教學模擬：操作者手持 LiDAR 加相機設備，沿施工樓層的空心磚牆與材料棧板行走；可逐步切換 LiDAR 慣性地圖、地圖點投影到新影像、以光度殘差更新位姿（橘色視錐向青色視錐靠攏）、把新影像的顏色融合進地圖點，以及逐幀累積時顏色不確定度下降；左上小窗是相機影像與投影的地圖點。

三維場景載入中…

看什麼：第 2 步的小窗中，方塊顏色與底下的磚縫、棧板邊緣對不齊；第 3 步逐次迭代後，「平均投影偏移」由約 5 px 降到 2 px 以下（依白天或夜間的影像而不同），光度殘差也下降。位姿誤差的角度與距離不一定同時歸零：遠處近乎平面的牆上，小角度的偏航與側向平移造成相似的影像位移，光度殘差難以區分兩者（物理原理推導）。第 5 步改用「顏色不確定度」：被多張影像看到的點變綠，只看到一次的點仍是橘色，藍灰色的點還沒被任何影像看到。隱藏「工地實景」時背景改為深灰，只看地圖點。

影像由模擬場景算繪，本身沒有雜訊，因此每次顏色觀測另加標準差 0.05 的示意雜訊；前 3 張影像直接以真實位姿上色，作為地圖顏色的起點；LiDAR 慣性位姿的誤差（約 1.3°、2 cm）也是示意值。位姿更新以 Gauss-Newton 加阻尼與 Huber 權重實作，屬教學簡化，不是特定系統的程式。可見的雷射光束、投影點、視錐、標示圓環與不確定度的顏色都是教學視覺化：近紅外雷射人眼看不見。點的「實際顏色」取自模擬場景算繪的相機影像，場景為模擬，不是實測資料；設備是通用外型，不對應任何產品；數值都是示意參數。

優點與限制

每一條附出處；灰框標示研究場域或資料範圍，虛線框標示推論。

優點

邊走邊輸出 RGB 點雲(Lin & Zhang, 2022, VoR Fig. 1, Fig. 7)校園與海港
免跑 SfM：彩色點雲邊蒐集邊產生，網格化 72 s；SfM 全流程 20 min 22 s(Feng et al., 2023, Table 4; Sec. 6.4.1)既有橋墩
3DGS 所需的點與位姿：21 s，COLMAP 需 9 h(Zheng et al., 2025, Sec. X-C)單一序列，場域未載明
處理曝光與暗角的 R3LIVE++ 光度誤差較低：18.01，R3LIVE 23.58(Lin & Zhang, 2024, Table VI)校園
加入灰階影像，工地軌跡較準：Stairs 0.016 m，只用 LiDAR 慣性 0.221 m(Zheng et al., 2025, Table II)Hilti 2022 工地序列

限制

要硬體同步與嚴格的外參校正(Zheng et al., 2025, Sec. I)
軟體同步約 10 ms，快轉時最多偏約 20 px(Trzeciak et al., 2023, Data collection system)施工中工地
自動曝光讓合併的上色點雲顏色不一致(Tao et al., 2025, Sec. 7)歷史建築
深度邊緣前景背景混色；光束發散使 6 m 處邊緣膨脹約 1.4 cm(Yuan et al., 2021, Sec. III; Sec. IV-B)室內外一般場景
顏色細節受點密度（1 cm）限制(Lin & Zhang, 2024, Sec. VIII-B)校園
相機視野外的點沒有顏色：手持版另加後向廣角相機以完整上色(Charron et al., 2026, Sec. 4.2)設備設計，手持資料未評估
緊耦合不一定較穩：FAST-LIVO 在一條隧道約 20 m 後發散(Li et al., 2026b, Sec. 3.1)施工中隧道，單一資料
影像不一定提升精度：遮住相機，單層路線精度幾乎不變(Kelly et al., 2024, Table 3)既有建築
彩色地圖吃記憶體：超過 32 GB 的長序列被排除(Yuan et al., 2024, Sec. VI)校園
施工中工地未見評估 LiDAR 上色精度的研究推論本站紀錄

本站證據：誰在用 LiDAR 加相機

本站方法卡中，同時處理 LiDAR 與相機資料的有 45 張：緊耦合 17 張、鬆耦合或串接 17 張、以 LiDAR 慣性為主而相機負責顏色或外觀 6 張、相機只上色 3 張、校正 2 張；其中驗證環境含施工中工地的共 4 張，工地證據都在軌跡或定位層級：三張以 Hilti 資料集的工地序列評估軌跡(Zheng et al., 2025, Table II)(Zhou et al., 2025, Table I)(Cramariuc et al., 2023, Table II)，一張的工地實驗只用 LiDAR 與腿式里程計(Hatleskog & Alexis, 2024, Sec. IV-B)，都沒有評估顏色。輸出 RGB 彩色點或面元的 12 張，輸出三維高斯或輻射場外觀地圖的 6 張。其中 PA-LVIO 是未經同儕審查的預印本(Tang et al., 2026)；LIT-GS 的錄取只是作者自述，外觀取自熱像而非 RGB(Shi et al., 2026)。

59 筆應用研究中，使用 LiDAR 加相機設備的有 23 筆，場域為施工中工地的 6 筆；相機用於點雲上色的 10 筆，其中在施工中工地的只有 2 筆：(Li et al., 2026b)、(Kim et al., 2018a)。前者是以行動 SLAM 上色的施工中岩石隧道，後者是校園內營建工地的靜態掃描加影像貼圖，施工階段未說明(Kim et al., 2018a, Data Acquisition and Fusion; Eq. 2)。評估顏色本身的研究：0 筆。11 筆施工中工地資料集中，8 筆同時記錄 LiDAR 與相機，沒有一筆提供顏色真值（推論）；其中 ConPR 是預印本(Lee et al., 2024a)，另一筆室內工地資料集的同儕審查狀態待確認(Li et al., 2025)。

同時使用 LiDAR 與相機資料的方法卡

依卡片本身評估的設定人工分類：相機量測是否直接更新位姿、只負責顏色或外觀，或用於校正。第二組長條是驗證環境含施工中工地的卡片。

圖 D-08d

資料來源本站已查證的方法卡（methods.json）；分類為人工判讀，張數於頁面產生時計算

使用 LiDAR 加相機設備的應用研究

依相機在該研究中的用途分類。第二組長條是場域為施工中工地的研究。

圖 D-08e

資料來源本站已查證的應用研究（studies.json）；分類為人工判讀，筆數於頁面產生時計算

代表性方法卡：R3LIVE、R3LIVE++、FAST-LIVO2、SR-LIVO、LVI-SAM、CamVox、GS-LIVO、livox_camera_calib。分類依各卡片本身評估的設定人工判讀：選配相機但有評估帶相機版本的卡片計入，相機只用於標記偵測、物件偵測、語意標籤或視覺化的卡片不計入。

延伸閱讀：針孔模型與相機的誤差見 D-04 相機與深度相機；相機與 IMU 的時間同步見 D-05 IMU 與多感測器融合；LiDAR 慣性管線見 D-07 從量測到點雲地圖。