可靠，但需确保点云为形状(N,3)的float64数组；含NaN/inf时应先清洗再用np.nanmean；其结果为统计质心，未必在凸包内，且无坐标系信息，需后续对齐。
np.mean 对点云数组直接求均值是否可靠
可靠，但前提是点云数据是标准二维 numpy.ndarray，形状为 (N, 3)，每行是 [x, y, z]。此时 np.mean(points, axis=0) 会沿行方向压缩，返回长度为 3 的一维数组，即 [x_mean, y_mean, z_mean] —— 这就是几何质心坐标。
常见错误是误用 axis=1（得到 N 个标量），或传入嵌套 list、未对齐的结构化数组，导致结果维度错乱或报错 ValueError: operands could not be broadcast together。
- 确保输入是纯数值数组：
points = np.asarray(points, dtype=np.float64) - 检查形状：
assert points.ndim == 2 and points.shape[1] == 3 - 避免使用
np.mean(points)（无axis参数）——它会扁平化整个数组，返回单个标量
处理含无效点（NaN/inf）的点云
真实采集的点云常含 NaN 或 inf 坐标（如深度相机边缘、反射异常），直接调用 np.mean 会导致整个结果变为 NaN。
正确做法是启用 nanmean，但它默认不跳过 inf；需先清洗：
立即学习“Python免费学习笔记（深入）”；
- 过滤无穷值：
mask = np.isfinite(points).all(axis=1)，再用points = points[mask] - 再调用
np.nanmean(points, axis=0) - 若必须保留原索引结构，可用
np.ma.masked_invalid(points).mean(axis=0).data，但注意masked_array开销略高
与 Open3D / PyVista 等库中质心计算的差异
Open3D 的 get_center() 和 PyVista 的 center 属性，底层也调用类似 np.mean 的逻辑，但可能隐式做了坐标系转换（如将点云转到局部坐标系再算）或剔除离群点。直接用 np.mean 是最轻量、最可控的方式，适合预处理或嵌入自定义 pipeline。
性能上无显著差异：对百万级点云，np.mean 耗时约 1–2 ms（CPU），远低于 I/O 或可视化开销。但要注意，如果点云已按空间结构分块（如八叉树节点），直接全局均值可能掩盖局部密度偏差——这时质心就不是“几何中心”而是“统计中心”，需结合业务判断是否合理。
验证质心是否落在点云凸包内
np.mean 给出的是代数平均，不保证在点云实际占据的空间内部。例如，环形点云的质心在空洞中心，U 形点云质心可能悬空。
若需物理可支撑的中心（如机器人抓取位姿），不能只依赖 np.mean：
- 先用
scipy.spatial.ConvexHull(points)构建凸包，再检查质心是否在其中（hull.find_simplex(centroid) >= 0） - 或改用加权质心：
np.average(points, weights=normals[:, 2], axis=0)（用法向量 Z 分量作权重，偏向朝上的表面） - 更鲁棒的做法是用
sklearn.cluster.MeanShift找密度峰值，而非均值
真正容易被忽略的是：质心坐标本身没有单位和参考系信息。从传感器原始坐标系算出的 [x,y,z]，若未同步校准到机器人基座或地图坐标系，直接使用会导致定位偏移——计算只是第一步，坐标对齐才是关键。
