点云处理的关键技术流程和常用算法

暂未成功人士！2026-06-15 10:22

目录

前言

一、点云可视化

二、点云去噪（异常点移除）

三、点云滤波（采样与降采样）

四、点云配准

五、点云分割

六、点云聚类

七、特征提取

八、点云重建

九、算法对比表

前言

点云处理通常包含可视化、去噪、滤波、配准、分割/聚类、特征提取、重建 等关键模块，每一模块均有多种算法可选。PCL(Point Cloud Library)提供了丰富的接口来实现各类算法，CloudCompare则可用于可视化、手动处理和结果验证。结合ROS框架，可以将传感器发布的点云消息转为PCL格式进行处理，再通过pcl_conversions转回ROS消息，实现点云算法的在线调试和可视化。

下图展示了典型的点云处理流程：可视化检查→去噪→滤波→配准→分割/聚类→特征提取→重建→应用，各步骤数据依次传递，形成完整链路。

一、点云可视化

  • 目的与意义：可视化是点云处理的第一步，用于直观检查数据完整性、噪声分布、视角重叠等情况。它有助于快速发现采集异常、配准偏差等问题，指导后续处理。

  • PCL实现 ：PCL提供PCLVisualizer和CloudViewer类。PCLVisualizer功能强大，可显示点云、法线、坐标系、交互自定义等。示例代码：

    pcl::PointCloudpcl::PointXYZ::Ptr cloud(new pcl::PointCloudpcl::PointXYZ);
    pcl::io::loadPCDFile("cloud.pcd", *cloud);
    pcl::visualization::PCLVisualizer::Ptr viewer(new pcl::visualization::PCLVisualizer("3D Viewer"));
    viewer->addPointCloudpcl::PointXYZ(cloud, "sample cloud");
    viewer->setPointCloudRenderingProperties(pcl::visualization::PCL_VISUALIZER_POINT_SIZE, 3, "sample cloud");
    viewer->addCoordinateSystem(1.0);
    while (!viewer->wasStopped()) { viewer->spinOnce(100); }

  • CloudCompare操作：直接打开点云文件（File→Open），可通过视图旋转、缩放观测点云。可在"Colors"菜单下以高度或RGB着色，可用于突出局部特征。工具栏提供"剪刀"裁剪(Crop)功能，用于去除无关区域。

  • ROS集成 ：在ROS中，可在RViz中订阅点云话题进行可视化。通常编写节点订阅sensor_msgs/PointCloud2，转换为PCL数据并可视化或标注。示例如下：

    void cloud_cb(const sensor_msgs::PointCloud2ConstPtr& msg) {
    pcl::PointCloudpcl::PointXYZ cloud;
    pcl::fromROSMsg(*msg, cloud);
    // 进行可视化、测量或标注
    }

  • RViz添加PointCloud2显示，并设置对应Topic。

  • 调参建议：点大小和颜色映射可调；对大型点云可使用OctreeLOD预处理；视图中启用坐标系帮助判断姿态。

  • 优缺点：直接可视化易于理解，缺点是处理量大时渲染慢；需注意坐标系一致。

  • 应用场景 ：

    • SLAM/建图：实时可视化拼接结果，检查地图质量。
    • 工业测量：可视化扫描后的零件，检测遮挡或漏扫。
    • 逆向工程：查看扫描仪采集的建筑或文物点云。
    • 机器人抓取：在RViz中可视化点云与目标物体的重合度。

二、点云去噪（异常点移除）

  • 算法原理 ：去噪旨在移除采集误差引入的异常点（离群点）。常用方法包括 "统计滤波（Statistical Outlier Removal, SOR）和 半径滤波（Radius Outlier Removal）"等：

    • 统计滤波：对每点计算其与邻域点的平均距离，如果明显大于平均值加上阈值乘以标准差，则视为离群点。
    • 半径滤波：统计点在给定半径内的邻居数，如果邻居太少，则删除该点。
    • 基于模型：通过RANSAC拟合（如平面、圆柱）模型，只保留拟合平面内点。

  • PCL接口 ：PCL提供pcl::StatisticalOutlierRemoval<PointT>和pcl::RadiusOutlierRemoval<PointT>。示例（统计滤波）

    pcl::StatisticalOutlierRemovalpcl::PointXYZ sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(50); // 邻域点数
    sor.setStddevMulThresh(1.0); // 标准差倍数阈值
    sor.filter(*cloud_filtered);

  • CloudCompare操作 ：可用Tools→Clean→SOR filter 应用统计滤波；也可使用Noise filter（基于表面距离）处理光滑表面噪声。

  • ROS集成：在ROS节点中可将PointCloud2转为PCL后应用以上滤波，然后再转换回ROS消息发布。

  • 参数调优 ：StatisticalFilter的MeanK影响邻域计算精度，StddevMulThresh越小越严格；RadiusFilter的radius与min_neighbors需根据点云密度调整。

  • 复杂度：主要开销在邻域搜索，通常为O(n \log n)。

  • 优缺点：方法简单高效，对随机噪声效果好；对稀疏或非高斯噪声可能误删过多或漏检。

  • 常见问题：若参数过大，可能误删有效点；过小则去噪不彻底。可结合可视化观察结果。

  • 应用场景 ：

    • 自动驾驶：移除LiDAR扫描中空气中的随机噪声点，提高识别精度。
    • 无人机测绘：消除飞行平台抖动造成的异常点。
    • 工业检测：过滤扫描仪误测的孤立点，提高测量精度。
    • 室内SLAM：去除RGB-D相机因窗帘等反射造成的噪声点。

  • 示例：

    // 统计滤波示例
    pcl::StatisticalOutlierRemovalpcl::PointXYZ sor;
    sor.setInputCloud(cloud);
    sor.setMeanK(50);
    sor.setStddevMulThresh(1.0);
    sor.filter(*cloud_filtered);

三、点云滤波（采样与降采样）

  • 目的与分类 ：滤波既可用于去噪，也可用于降低点云密度、提取ROI。常见滤波器有体素滤波 (VoxelGrid) 下采样 和直通滤波(PassThrough)等。

  • 体素滤波（VoxelGrid）：将空间划分为固定大小的立方体网格，在每个网格中用质心或中心点代表，减少点数且保留形状。

  • 直通滤波（PassThrough）：按坐标轴设置范围，剔除超出范围的点，用于裁剪或ROI截取。

  • 条件滤波：根据点属性（如强度、颜色）设置条件筛选点。

  • PCL接口 ：常用pcl::VoxelGrid和pcl::PassThrough。示例（体素滤波）：

    pcl::VoxelGridpcl::PointXYZ vg;
    vg.setInputCloud(cloud);
    vg.setLeafSize(0.01f, 0.01f, 0.01f); // 体素边长1cm
    vg.filter(*cloud_filtered);

PassThrough示例：

复制代码 
pcl::PassThrough<pcl::PointXYZ> pass;
pass.setInputCloud(cloud);
pass.setFilterFieldName("z"); 
pass.setFilterLimits(0.0, 1.5);  // 保留0~1.5米内点
pass.filter(*cloud_filtered);

  • CloudCompare操作 ：可通过Edit→Subsample 进行点云抽稀（类似体素滤波）；可用剪刀(Crop)截取区域；对于高程滤波，可用Edit→Scalar field→Filter by value过滤。

  • ROS集成：同样在节点中使用PCL滤波器处理订阅的点云，示例见上述PassThrough/ VoxelGrid代码。

  • 参数建议 ：体素滤波的leaf_size设大点可更降采样但可能丢失细节，建议根据应用调整；PassThrough范围根据场景选取。

  • 复杂度：VoxelGrid建树为O(n)或O(n\log n)，筛选非常快。

  • 优缺点：VoxelGrid可大幅减小数据量而保形状，但可能丢失小结构；直通滤波简单快速，但需手动设限。

  • 常见问题：滤波前后坐标系需注意一致；过度采样可能丢失关键信息。

  • 应用场景 ：

    • 自动驾驶：对高频点云下采样加速处理。
    • 室内导航：截取特定楼层高度区间的数据，剔除天花板和地板。
    • 工业机器人：滤除远处桌面之外的点，聚焦工作区域。
    • 三维重建：预处理大规模扫描数据，降低计算量。

  • 示例：

    // 体素滤波示例
    pcl::VoxelGridpcl::PointXYZ vg;
    vg.setInputCloud(cloud);
    vg.setLeafSize(0.05f, 0.05f, 0.05f);
    vg.filter(*cloud_downsampled);

四、点云配准

  • 算法原理 ：配准用于将多帧或多视角点云对齐至统一坐标系。常见方法有粗配准 （特征匹配 + RANSAC）和精配准 （迭代最近点ICP、NDT）。

    • ICP算法：迭代计算源点云与目标点云最近点对应关系，然后求解最佳刚性变换以最小化距离误差，重复迭代直至收敛。
    • NDT（正态分布变换）：将目标点云分为栅格，对每个栅格内点拟合高斯分布，用分布间匹配进行配准，适合大场景。
    • 特征配准：先提取特征描述子（如FPFH），通过RANSAC进行粗对齐。

  • PCL接口 ：常用pcl::IterativeClosestPoint<PointT,PointT>（ICP）和pcl::NormalDistributionsTransform<PointT,PointT>（NDT）。ICP示例：

    pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
    icp.setInputSource(source_cloud);
    icp.setInputTarget(target_cloud);
    icp.setMaxCorrespondenceDistance(0.1);
    icp.setMaximumIterations(50);
    pcl::PointCloudpcl::PointXYZ aligned;
    icp.align(aligned);
    if(icp.hasConverged()) { /* 获取icp.getFinalTransformation() */ }

  • CloudCompare操作 ：使用 Tools→Registration→Fine registration (ICP) 进行手动或自动ICP配准；也可用 Align (point pairs picking) 手动选点配准；"Match bounding-box centers"对齐盒心。

  • ROS集成：ROS中订阅不同帧的点云，通过TF或本体预测初始位姿，调用ICP/NDT完成精配准。通常转换消息为PCL后调用上述类。

  • 参数调优 ：ICP的MaxCorrespondenceDistance（对应点最大距离）和TransformationEpsilon（收敛阈值）影响速度与精度；NDT的格点分辨率(setResolution)需根据数据范围调节。

  • 复杂度：ICP典型复杂度约O(NM)每次迭代（N、M分别为点数），NDT每次迭代O(n \log n)。大点云匹配代价高。

  • 优缺点：ICP精度高但依赖较好的初始位姿，易陷入局部最优；NDT鲁棒性更强，适合粗对齐；特征配准不需初始对齐，但需稳定特征。

  • 常见问题：配准前应滤波降噪，否则噪点干扰对应；需保证重叠区域充分，否则无解；当点云稀疏或纹理少时易失配。

  • 应用场景 ：

    • SLAM建图：将里程计获取不同时间点云连续拼接构建环境地图。
    • 自动驾驶：将车辆两帧LiDAR数据配准以跟踪障碍物或估计运动。
    • 工业机器人：视觉系统中不同视角扫描的物体拼接为完整模型。
    • 考古扫描：多视角扫描文物，配准合成完整三维模型。

  • 示例：

    // ICP示例代码
    pcl::IterativeClosestPoint<pcl::PointXYZ, pcl::PointXYZ> icp;
    icp.setInputSource(source_cloud);
    icp.setInputTarget(target_cloud);
    icp.setMaxCorrespondenceDistance(0.05);
    icp.setMaximumIterations(30);
    pcl::PointCloudpcl::PointXYZ Final;
    icp.align(Final);
    if (icp.hasConverged()) { std::cout << "ICP converged." << std::endl; }

五、点云分割

  • 算法原理 ：分割旨在将点云划分出不同的物体或区域。常用方法包括基于模型 和基于聚类 ：

    • RANSAC平面分割 ：利用pcl::SACSegmentation拟合平面，将属于平面的内点提取出来，适用于提取地面、桌面等大平面。
    • 区域生长：以法线或颜色平滑为准则，逐步生长平坦区域（如PCL的RegionGrowing算法）。
    • 基于聚类（参见下文聚类章节）。

  • PCL接口：例如提取平面：

    pcl::SACSegmentationpcl::PointXYZ seg;
    seg.setOptimizeCoefficients(true);
    seg.setModelType(pcl::SACMODEL_PLANE);
    seg.setMethodType(pcl::SAC_RANSAC);
    seg.setDistanceThreshold(0.01);
    seg.setInputCloud(cloud);
    pcl::ModelCoefficients coeff;
    pcl::PointIndices inliers;
    seg.segment(inliers, coeff);

  • 提取到inliers后可分离出平面点和剩余点。该示例源自官方教程。

  • CloudCompare操作 ：可用Tools→Segmentation→Label Connected Comp.将同一标签的点云分为不同实体；也可用Edit→Crop配合标签进行手动分割；平面检测可借助插件"qRansacSD"自动检测多种几何形状（圆柱、球面等）。

  • ROS集成 ：在节点中使用pcl::SACSegmentation提取地面或其他平面，然后发布分割结果，可用于地面检测或物体分离。

  • 参数调优 ：RANSAC的DistanceThreshold决定内点距离公差；迭代次数MaxIterations影响鲁棒性。区域生长的平滑阈值(setSmoothnessThreshold)和曲率阈值控制分割精度。

  • 复杂度：RANSAC每次迭代是O(n)，总共迭代次数由重叠比例控制；RegionGrowing基于邻域搜索O(n\log n)。

  • 优缺点：平面分割简洁高效，但只能提取单一形状；区域生长对曲面适用，对小目标可能效果不佳；基于深度学习的语义分割可识别更多类别，但需训练数据。

  • 常见问题：误检噪声或近似平面的物体；需要多次迭代提取多个物体；平面分割后需移除提取的内点再重复。

  • 应用场景 ：

    • 无人驾驶：提取道路、车道线点云；分离车辆与路面。
    • 机器人操作：从背景中分割出桌面上的物体，进行抓取。
    • 逆向工程：将点云分割为结构面与细节部件，分别建模。
    • 测绘：从建筑物点云中分割出墙面、屋顶、地面等。

  • 示例：

    // 平面分割示例
    pcl::SACSegmentationpcl::PointXYZ seg;
    seg.setOptimizeCoefficients(true);
    seg.setModelType(pcl::SACMODEL_PLANE);
    seg.setMethodType(pcl::SAC_RANSAC);
    seg.setDistanceThreshold(0.01);
    seg.setInputCloud(cloud);
    pcl::PointIndices::Ptr inliers(new pcl::PointIndices);
    pcl::ModelCoefficients::Ptr coeff(new pcl::ModelCoefficients);
    seg.segment(*inliers, *coeff);
    // inliers->indices包含平面点的索引

六、点云聚类

  • 算法原理 ：聚类用于将点云中相互接近的点分组成不同簇，通常作为分割后的细分。经典算法是欧式聚类（Euclidean Cluster Extraction）：对点集进行近邻搜索，类似洪水填充算法。DBSCAN也是一种常见的密度聚类方法。

  • PCL接口 ：pcl::EuclideanClusterExtraction通过KD树实现邻域搜索并分组。示例代码见官方教程:

    // 假设cloud_filtered为滤除平面后的点云
    pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ);
    tree->setInputCloud(cloud_filtered);
    pcl::EuclideanClusterExtractionpcl::PointXYZ ec;
    ec.setClusterTolerance(0.02); // 聚类距离阈值
    ec.setMinClusterSize(100);
    ec.setMaxClusterSize(25000);
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud_filtered);
    std::vectorpcl::PointIndices cluster_indices;
    ec.extract(cluster_indices);
    // cluster_indices中每个元素是一簇点的索引

  • CloudCompare操作：可以使用**Tools→Segmentation→Label Connected Comp.**对连通区域做标记；也可以用剪刀等工具手动摘取。CloudCompare原生并没有直接执行欧式聚类的功能。

  • ROS集成：同样在ROS节点中使用PCL聚类后发布各簇点，常用于障碍物分割等。

  • 参数调优 ：ClusterTolerance越大簇越宽松；MinClusterSize和MaxClusterSize控制簇大小过滤。

  • 复杂度：构建KD树O(n\log n)，聚类过程遍历每点O(n)，总体大约O(n\log n)。

  • 优缺点：欧式聚类简单易用，适合分离独立物体；对于密集或接近的物体分割效果差。DBSCAN对噪声鲁棒，但对参数敏感。

  • 常见问题：簇之间距离过近会合并；噪声点可能形成小簇；需要先去除地面等大平面，避免干扰。

  • 应用场景 ：

    • 自动驾驶：将点云中的行人、车辆、树木分簇，实现目标检测。
    • 工业抓取：桌面物体聚类，识别各个零件的位置。
    • 农业机器人：将果树点云分簇，识别单个果实。

  • 示例：

    // 欧式聚类示例
    pcl::EuclideanClusterExtractionpcl::PointXYZ ec;
    ec.setClusterTolerance(0.05);
    ec.setMinClusterSize(50);
    ec.setMaxClusterSize(10000);
    ec.setSearchMethod(tree);
    ec.setInputCloud(cloud_filtered);
    std::vectorpcl::PointIndices clusters;
    ec.extract(clusters);
    std::cout << "Clusters found: " << clusters.size() << std::endl;

七、特征提取

  • 用途 ：从点云中提取局部或全局的几何描述子，为匹配、分类、识别等提供描述。常见特征包括表面法线 、曲率 、PFH/FPFH 、SHOT等。

  • 主要算法 ：

    • 法线与曲率 ：用pcl::NormalEstimation估计每点法线和曲率，可用于颜色化显示和后续特征计算。
    • PFH (Point Feature Histograms)：基于点间几何关系构建直方图，计算复杂度O(nk^2)；FPFH (Fast PFH)对PFH进行简化，复杂度降为O(nk)。
    • SHOT：局部描述子，结合角度直方图。

  • PCL接口：如计算FPFH：

    // 假设cloud和计算好的法线normals可用
    pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
    fpfh.setInputCloud(cloud);
    fpfh.setInputNormals(normals);
    pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ);
    fpfh.setSearchMethod(tree);
    fpfh.setRadiusSearch(0.05); // 设置邻域半径
    pcl::PointCloudpcl::FPFHSignature33::Ptr fpfhs(new pcl::PointCloudpcl::FPFHSignature33);
    fpfh.compute(*fpfhs);

  • 如此可得到每点33维特征向量。FPFH较PFH大幅降低了运算复杂度。

  • CloudCompare操作 ：在Edit→Normals菜单下可以计算和显示法线；Tools→Other→Compute geometric features可计算密度、曲率等（2.10+版本）。

  • ROS集成：在节点中计算特征常用于目标识别和配准前的粗匹配，如SAC-IA初始配准。

  • 参数调优：FPFH等需设定搜索半径或邻域大小，半径越大包含信息越多但平滑。法线估计的邻域大小影响曲率估计。

  • 复杂度：法线估计典型O(n \log n)；FPFH简化后为O(nk)。

  • 优缺点：高维特征能捕捉丰富形状信息，增强匹配鲁棒性；但计算开销大，对噪声敏感。

  • 常见问题：特征尺度选择很重要；点云稀疏时有些特征失效；法线方向不一致需统一朝向。

  • 应用场景 ：

    • 三维定位：在SLAM中使用FPFH或SHOT进行帧间粗配准。
    • 物体识别：使用SHOT等描述子进行模型匹配。
    • 缺陷检测：计算曲率检测表面缺陷。

  • 示例：

    // FPFH 特征计算示例
    pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;
    ne.setInputCloud(cloud);
    ne.setRadiusSearch(0.05);
    pcl::PointCloudpcl::Normal::Ptr normals(new pcl::PointCloudpcl::Normal);
    ne.compute(*normals);

    pcl::FPFHEstimation<pcl::PointXYZ, pcl::Normal, pcl::FPFHSignature33> fpfh;
    fpfh.setInputCloud(cloud);
    fpfh.setInputNormals(normals);
    pcl::search::KdTreepcl::PointXYZ::Ptr tree(new pcl::search::KdTreepcl::PointXYZ);
    fpfh.setSearchMethod(tree);
    fpfh.setRadiusSearch(0.05);
    pcl::PointCloudpcl::FPFHSignature33::Ptr fpfhs(new pcl::PointCloudpcl::FPFHSignature33);
    fpfh.compute(*fpfhs);

八、点云重建

  • 算法原理 ：点云重建是将离散点云恢复为连续曲面网格。常用方法有Poisson重建 、贪心投影三角化(Greedy Triangulation) 、Ball Pivoting 等。

    • Poisson重建 ：将点云及法线视为离散采样，求解隐式函数使其等值面通过点云。最后用Marching Cubes提取网格。输出网格顶点非原始点云顶点，而是隐式曲面上的新顶点。
    • 贪心投影三角化：基于向外扩展投影，适合规整采样点云。

  • PCL接口：如Poisson重建示例：

    // 假设cloud_with_normals为带法线的点云
    pcl::Poissonpcl::PointNormal poisson;
    poisson.setDepth(9);
    poisson.setInputCloud(cloud_with_normals);
    pcl::PolygonMesh mesh;
    poisson.reconstruct(mesh);

  • CloudCompare操作 ：可用Mesh→Delaunay 2.5D 生成基于XY平面的三角网格；也可通过Edit→Mesh菜单下其他工具（如扫描生成网格）。软件界面无需编程即可快速查看结果。

  • ROS集成：一般在线系统中少做大规模重建，多在离线构建阶段使用。若集成，可在ROS节点调用上述重建算法，输出网格格式。

  • 参数调优 ：Poisson的depth决定体素分辨率，高depth产出细节多但耗时多；point_weight影响点对隐式场的影响。

  • 复杂度：Poisson重建需要构建八叉树并求解线性系统，复杂度较高，通常几秒至几分钟，取决于点数和深度。

  • 优缺点：Poisson生成平滑闭合网格，可自填洞；缺点是数据密集时计算量大，结果顶点与原点云不同。贪心三角化可保持点原样，但对噪声敏感。

  • 常见问题：需要点云有法线且密集分布；边缘和空洞可能出现多余面片；重建前推荐滤波和裁剪。

  • 应用场景 ：

    • 逆向工程：由扫描仪点云恢复工件表面模型，用于3D打印或精密测量。
    • 建筑建模：将室内/建筑点云重建为墙面、柱子网格。
    • 虚拟现实：扫描景物并重建可渲染模型。

  • 示例：

    // Poisson 重建示例
    pcl::Poissonpcl::PointNormal poisson;
    poisson.setDepth(8);
    poisson.setSolverDivide(8);
    poisson.setIsoDivide(8);
    poisson.setPointWeight(4.0f);
    poisson.setInputCloud(cloud_with_normals);
    pcl::PolygonMesh mesh;
    poisson.reconstruct(mesh);
    // 注意：网格顶点已重建，不直接等于原点云顶点

九、算法对比表

相关推荐
提伯斯6461 天前
Fast-Lio和LIO-SAM分别在有gps情况下与PX4融合的过程
ros·px4·fast-lio·lio-sam
南檐巷上学4 天前
基于地平线RDK X5的智能医药机器人系统
ubuntu·机器人·ros·机械臂·openclaw
加成BUFF5 天前
第七天 ROS《 参数服务器与Launch文件》
运维·ros·参数服务器
加成BUFF6 天前
第六天 ROS 《Action 通信实验》
linux·机器人·ros
加成BUFF6 天前
第5天 ROS 《Service 通信实验指导书》
机器人·ros
提伯斯6467 天前
解决Fast-Drone-250编译相关错误
linux·ros·无人机·fast-drone
rqtz9 天前
【C++】源码编译 Qt5.15.3｜Ubuntu22.04 下 ROS 开发环境搭建
开发语言·c++·qt·ros
rqtz9 天前
【机器人】ROS结合Qt开发上位机软件工作空间配置
开发语言·qt·ros
kobesdu10 天前
【ROS2实战笔记-24】ROS2 Launch 实用技巧：条件逻辑与节点动态生成
笔记·ros·slam
热门推荐
01HTTP 与 HTTPS 的区别：从原理到实战详解022026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？032026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？04【AI】2026 年具身智能模型和世界模型总结052026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf06AI科技热点日报 | 2026年6月1日07GitHub 镜像站点08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析09《置身钉内》原文-可播放阅读10AI一周事件 · 2026-06-03 至 2026-06-09