search_vector_xd 函数在给定的点集中查找与查询向量最近的 k 个领居。
distances, indices = tree.search_vector_xd(query_points, k)
query_points：要查询的向量，类型为numpy数组 np.ndarray，形状为 (n, d)，其中 n 为查询向量的数量，d 为向量的维度。k：要查找的最近的 k 个领居。distances：距离数组，类型为numpy数组 np.ndarray，形状为 (n, k)，其中 n 为查询向量的数量，k 为要查找的最近的 k 个领居。indices：索引数组，类型为numpy数组 np.ndarray，形状为 (n, k)，其中 n 为查询向量的数量，k 为要查找的最近的 k 个领居。下面是一个简单的例子，展示了如何使用 search_vector_xd 函数：
import open3d as o3d
import numpy as np
# 创建一个点云
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(np.random.rand(100, 3))
# 创建一个 KD 树
tree = o3d.geometry.KDTreeFlann(pcd)
# 查询点
query_points = np.array([[0.5, 0.5, 0.5], [0.1, 0.2, 0.3]])
# 查找最近的 k 个领居
k = 3
distances, indices = tree.search_vector_xd(query_points, k)
print(distances)
print(indices)
输出结果如下：
[[0.00973803 0.01955676 0.03131714]
[0.0347062 0.05210041 0.05833038]]
[[91 0 96]
[87 75 30]]
其中， distances 是查询点与最近的 k 个领居之间的距离数组； indices 是最近的 k 个领居的索引数组。