1.创建kd树：你可以使用nanoflann::KDTreeSingleIndexAdaptor类来构建kd树。

  // 创建kd树
  typedef nanoflann::KDTreeSingleIndexAdaptor<
    nanoflann::L2_Simple_Adaptor<double, PointCloud>,
    PointCloud,
    3 /* dim */
    >
    my_kd_tree_t;

2.加载数据：可以通过调用index->buildIndex()函数实现。

  my_kd_tree_t index(3, cloud);

  // 加载数据到kd树
  index.buildIndex();

3.执行最邻近点搜索：使用index->knnSearch(query, num_neighbors, indices, distances)函数来执行最邻近点搜索。其中，query是你要搜索最近邻的点，num_neighbors是要找到的最邻近点的数量，indices是存储找到的最邻近点的索引的容器，distances是存储对应的距离的容器。

  std::vector<size_t> indices(1);
  std::vector<double> distances(1);

  Point query(2.0, 4.0, 6.0);

  index.knnSearch(&query.x, 1, &indices[0], &distances[0]);

 完整代码如下：

#include <iostream>
#include <vector>
#include <nanoflann.hpp>

// 定义数据点结构
struct Point
{
  double x, y, z;

  Point(double x, double y, double z) : x(x), y(y), z(z) {}
};

// 定义数据集适配器
class PointCloud
{
public:
  std::vector<Point> points;

  // 返回数据集中的点的数量
  inline size_t kdtree_get_point_count() const
  {
    return points.size();
  }

  // 返回给定索引处的点的指定维度的值
  inline double kdtree_get_pt(const size_t idx, const size_t dim) const
  {
    if (dim == 0)
      return points[idx].x;
    else if (dim == 1)
      return points[idx].y;
    else if (dim == 2)
      return points[idx].z;
    return 0.0;
  }

  // 估计数据集的边界框
  template <class BBOX>
  bool kdtree_get_bbox(BBOX &) const
  {
    return false;
  }
};

int main()
{
  // 创建数据集
  PointCloud cloud;
  cloud.points.emplace_back(1.0, 2.0, 3.0);
  cloud.points.emplace_back(4.0, 5.0, 6.0);
  cloud.points.emplace_back(7.0, 8.0, 9.0);

  // 创建kd树
  typedef nanoflann::KDTreeSingleIndexAdaptor<
    nanoflann::L2_Simple_Adaptor<double, PointCloud>,
    PointCloud,
    3 /* dim */
    >
    my_kd_tree_t;

  my_kd_tree_t index(3, cloud);

  // 加载数据到kd树
  index.buildIndex();

  // 执行最邻近点搜索
  std::vector<size_t> indices(1);
  std::vector<double> distances(1);

  Point query(2.0, 4.0, 6.0);

  index.knnSearch(&query.x, 1, &indices[0], &distances[0]);

  // 输出结果
  std::cout << "Nearest neighbor: (" << cloud.points[indices[0]].x << ", "
            << cloud.points[indices[0]].y << ", " << cloud.points[indices[0]].z
            << ")" << std::endl;
  std::cout << "Distance: " << distances[0] << std::endl;

  return 0;
}

注意：

在自定义消息类型中，必须实现上述代码中 kdtree_get_point_count()、kdtree_get_pt() 和 kdtree_get_bbox() 这些函数。

这些函数是nanoflann库中的必要函数，用于在数据集适配器中提供必要的功能以支持kd树的构建和搜索。具体而言：

1. kdtree_get_point_count(): 这个函数返回数据集中的点的数量。如果不实现这个函数，nanoflann将无法确定数据集的大小，这可能导致错误的结果或运行时错误。

2. kdtree_get_pt(): 这个函数返回给定索引处的点在指定维度的值。如果不实现这个函数，nanoflann将无法获取数据集中的点的坐标信息，从而无法正确构建kd树或执行最近邻搜索。

3. kdtree_get_bbox(): 这个函数用于估计数据集的边界框。如果不实现这个函数，nanoflann将无法知道数据集的边界范围，这可能导致错误的搜索结果或性能下降。

因此，为了正确使用nanoflann库进行kd树构建和搜索，必须在数据集适配器中实现这些必要的函数。