PCL
PCL 是以 C++ 模板實作、採 BSD 授權的開源點雲處理函式庫，分成濾波、特徵、輸入輸出、分割、表面重建、配準、關鍵點與距離影像等可獨立編譯的模組，底層以 Eigen、FLANN 與 OpenMP 或 TBB 支援線性代數、近鄰搜尋與多核心平行化，並以 ROS nodelet 在同一行程內串接處理圖，避免資料複製。文中示範統計離群值移除（k = 50、1.0σ）與 RANSAC 平面分割（1 cm 門檻）。PCL 的體素格網濾波常用於 SLAM 前處理降採樣，此點屬推論，本文沒有討論，也未評估降採樣對幾何的影響。
本頁內容
An open-source, BSD-licensed C++ library for point-cloud processing covering filtering, features, reconstruction, registration and segmentation.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 未記錄 |
|---|---|
| 原文測試平台 | 未記錄 |
| 狀態估計 | 不適用 |
| 資料關聯 | 不適用 |
| 時間表示 | 不適用 |
| 去畸變 | 不適用 |
| 迴圈閉合 | 不適用 |
| 全域最佳化 | none |
| 地圖表示 | point clouds (templated n-D point types) |
| 先驗資訊 | none |
| 可輸出幾何 | library operations incl. filtering (e.g., voxel grid), features, registration, surface reconstruction |
| 計算需求 | CPU with SSE, OpenMP/TBB parallelization |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| LiDAR | tilting laser scanner (model not named) | 資料集感測器 | 未標示 | source of the raw point cloud in the statistical outlier removal example (Fig. 7); the paper does not say which robot carried it | (Rusu & Cousins, 2011, Fig. 7 caption) |
| 載具平台 | PR2 robot | 方法輸入 | 未標示 | platform of the door and handle identification, NARF object recognition and grasping examples, which are reproduced from cited works [8]-[11] | (Rusu & Cousins, 2011, Sec. V; Figs. 9-10) |
作者報告的優勢與限制
優勢
- Modular pipeline interface and multi-core support (Sec. II).
- Unit and regression tests compiled and checked on a dedicated build farm (Sec. II).
- ROS nodelets connect processing blocks inside one process without copying or serialising point clouds (Sec. III).
- Ported to Windows, MacOS and Linux as of version 0.6 (Sec. II).
限制
- Open3D authors describe PCL as encumbered by bloat and largely dormant as of 2018 (Zhou et al. 2018, Sec. 1); this is a competing-library claim, not an independent evaluation.
- At the time of writing (version 0.6, before 1.0) GPU support through CUDA or OpenCL was only planned, and documentation, unit tests and tutorials were still to be improved (Sec. VI).
- No quantitative accuracy or runtime evaluation; the usage examples are qualitative (Sec. V).
營建工程相關證據
本論文未在營建場域驗證，也沒有量化評估；文中以 PR2 機器人的門與把手辨識等室內示例說明用途，並指出牆面、門與桌面偵測可共用同一個受限平面分割模組，只需調整參數（Sec. III），這與營建構件的平面擷取相關（推論）。「被大量用於前處理」屬外部觀察，本文沒有提供證據。
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 1 個比較組，合計 4 筆紀錄。
Huang et al., 2024b · Table I 本方法 4 筆
指標mean running time of normal estimation
表格設定（擷取紀錄原文）：Mean running time of normal estimation for a single scan; Ring FALS includes projection, box-filtering and smoothing; PCL least squares with k-d tree, without smoothing (Huang et al., 2024b, Table I)
mean running time of normal estimation，M2DGR · Velodyne-32 (57,600 points)
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Huang et al., 2024b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Huang et al., 2024b, Table I)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Ring FALS (total)原文提出硬體：Intel Xeon Gold 6248R 3.00 GHz, 32 GB RAM | 7.784 ms | (Huang et al., 2024b, Table I) |
| PCL single thread本方法硬體：Intel Xeon Gold 6248R 3.00 GHz, 32 GB RAM | 79.811 ms | (Huang et al., 2024b, Table I) |
| PCL OMP 10 threads本方法硬體：Intel Xeon Gold 6248R 3.00 GHz, 32 GB RAM | 26.355 ms | (Huang et al., 2024b, Table I) |
來源
Rusu & Cousins, 2011
（2011）3D is here: Point Cloud Library (PCL)2011 IEEE International Conference on Robotics and Automation (ICRA), pp. 1-4
DOI 10.1109/icra.2011.5980567程式碼
同儕審查已出版已讀全文經典查證後修正
程式碼：https://github.com/PointCloudLibrary/pcl（授權：BSD (repository LICENSE.txt)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。