- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉工坊
Lidar与IMU标定代码实战：lidar_align
前言 对于Lidar+IMU系统，往往需要标定Lidar与IMU的外参[4]，即从Lidar到IMU的6个位姿参数。 ETH开源的lidar_align代码[0]，用于标定Lidar和里程计Odom之间的位姿参数。本文将对代码进行初步介绍，并总结一些使用中可能会遇到的问题。 1. Lidar相关接口 transform.h：一些SO3变化的计算以及转换，在插值、优化时使用 1.2 方法基本思想 方法本质解决的是一个优化问题，即在外参参数(6DoF)如何选择时，使Lidar采集到的数据转化到 Lidar数据：主要包括两个参数：从Lidar到Odom的外参T_o_l_与每次扫描的数据scans_，而每次的扫描scan数据类型主要包括：扫描起始时间timestamp_us_，本次扫描的点云raw_points 首先调用的是lidarOdomKNNError(const Lidar)，处理的是Lidar的数据，首先根据估计的Lidar到Odom的变化，对完整的scans_数据计算出每次scan时每个点在Odom
2.5K10发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
SLAM综述-Lidar SLAM
•IMLS-SLAM：它提出了一种新的低漂移SLAM算法，该算法仅基于基于扫描模型匹配框架的3D LiDAR数据[10]。 ? DeepTemporalSeg [33]提出了一种深度卷积神经网络（DCNN），用于在时间上具有一致性的LiDAR扫描的语义分割。 点云定位： 论文[35]是一种新颖的基于学习的LiDAR定位系统，可实现厘米级的定位精度。 Realtime loop closure in 2d lidar slam. Suma++: Efficient lidar-based semantic slam.
80010发布于 2020-12-11 - 来自专栏点云PCL
SLAM综述之Lidar SLAM
本系列文章主要分成四个部分： 在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统，Lidar中的深度学习以及挑战和未来。 •IMLS-SLAM：它提出了一种新的低漂移SLAM算法，该算法仅基于基于扫描模型匹配框架的3D LiDAR数据[10]。 ? 点云定位： 论文[35]是一种新颖的基于学习的LiDAR定位系统，可实现厘米级的定位精度。 Realtime loop closure in 2d lidar slam. Suma++: Efficient lidar-based semantic slam.
3.5K00发布于 2020-04-26 - 来自专栏arXiv每日学术速递
LiDAR4D会是LiDAR重建的答案么？
有鉴于此，我们提出了LiDAR4D，这是一种用于新的时空LiDAR视图合成的LiDAR-only的可微分框架。 开源地址：https://github.com/ispc-lab/LiDAR4D 总结来说，本文的主要贡献如下： 提出了LiDAR4D，这是一种用于新的时空LiDAR视图合成的LiDAR-only的可微分框架 其中，NeRF-LiDAR和UniSim需要RGB图像和LiDAR点云作为输入，并在具有光度损失和深度监督的情况下重建驾驶场景。随后，可以通过神经深度渲染生成新的视图LiDAR点云。 在仅使用LiDAR的方法中，LiDAR-NeRF和NFL首次提出了可微分LiDAR-NVS框架，该框架同时重建了深度、强度和raydrop概率。 体积渲染函数可以形成如下： LiDAR4D概述 根据神经辐射场，我们提出的LiDAR4D将点云场景重建为隐式连续表示。
1.1K10编辑于 2024-04-25 - 来自专栏点云PCL
Lidar Point clound processing for Autonomous Driving
A list of references on lidar point cloud processing for autonomous driving 1 Clustering/Segmentation (ground extraction, plane extraction) Fast Segmentation of 3D Point Clouds: A Paradigm on LiDAR Data Autonomous Vehicle Applications [git:https://github.com/VincentCheungM/Run_based_segmentation] Time-series LIDAR [pdf:http://res.imtt.qq.com/m_download_qb/qbload_new_1.html] Finding Planes in LiDAR Point Clouds for Scans [pdf:http://ais.informatik.uni-freiburg.de/publications/papers/dewan16icra.pdf] Lidar-histogram
1.3K30发布于 2019-07-30 - 来自专栏s09g的技术博客
多传感融合 Lidar and Radar Fusion
在多传感器条件下，各传感器之间想要同步反馈速度其实并无必要。每个传感器异步地参与感知反馈
80020编辑于 2022-07-06 - 来自专栏硅光技术分享
Intel子公司Mobileye的Lidar技术
在CES2021上，Intel的子公司Mobileye展示了他们基于硅光芯片的Lidar技术，并有望2025年实现量产。 Mobileye采用FMCW的技术方案，这里着重介绍一下相关的Lidar方案。 以上是对FMCW技术的简单介绍，Mobileye借助于Intel在硅光领域的深厚积累，会大大加速其Lidar产品的研发进度。 伴随着自动驾驶时代的来临，Lidar作为硅光的一个重要应用，如果能实现量产，也会促进硅光领域的进步，而不仅限于光模块。 文章中如果有任何错误和不严谨之处，还望大家不吝指出，欢迎大家留言讨论。 Martin, et.al., "Photonic Integrated Circuit-BasedFMCW Coherent LiDAR", Journal of Lightwave Technology
1.5K20发布于 2021-02-24 - 来自专栏点云PCL
Lidar-SLAM的历史与现状
本文侧重于从各种LiDAR类型和配置的角度，对基于LiDAR的SLAM技术在机器人地图学中的研究现状进行调查。对基于三种不同LiDAR形式和配置的SLAM系统进行了全面的文献综述。 基于LiDAR的SLAM系统概览 LiDAR里程计 LiDAR里程计的目的是通过在两个相邻的点云帧之间创建运动的估计来生成局部地图，LiDAR里程计根据点云配准方法分为三种类型：基于点的配准、基于点分布的配准和基于特征的配准 LiDAR-based SLAM系统 我们将对基于三种不同LiDAR形式和配置的LiDAR-based SLAM系统进行全面的文献综述，包括（1）基于2D LiDAR的SLAM系统；（2）基于3D LiDAR 现有研究通常采用多LiDAR方案或旋转驱动LiDAR方法来增强LiDAR的视野，但前者成本过高，因此后者是主流趋势。 随后对LiDAR-based SLAM系统在三种不同的LiDAR形式和配置中进行了广泛的文献综述。与三维点云相比，基于2D LiDAR的SLAM是一种俯视的LiDAR SLAM方法。
1.2K11编辑于 2023-11-30 - 来自专栏用户5687508的专栏
6个免费好用的LiDAR软件
要找到免费的激光雷达数据处理软件并不容易，因此在这篇文章中，我们将介绍6个最出色的免费或开源的LiDAR软件，可以用于3D点云查看、点云数据分析、点云操作等。 构建二维轮廓并测量距离 创建 3D 、2D 并排视图 当你下载此软件时，请记住这个 LiDAR 查看器是免费软件。 4、http://Plas.io - 最好的 Web LiDAR查看器 在浏览器中查看激光雷达数据有可能吗？ 此外，你可以更新其颜色坡道，并更改要显示的 LiDAR 数据的值。 SAGA GIS没有提供完整激光雷达工具列表，这些功能组织得也不是很好。 下载GRASS GIS ---- 原文链接：6个最佳的LiDAR软件 — BimAnt
6.8K40发布于 2021-06-17 - 来自专栏芯片工艺技术
激光雷达Lidar里面的激光
雷达作为车辆避障的重要手段，现在已经从最初仅有超声波雷达发展到超声波雷达、毫米波雷达和激光雷达互补共存的阶段，激光雷达以其分辨率高的优势，迎来快速增长的时期，无人驾驶技术已是大势所趋，车载的激光雷达近几年出现爆发式增长的局面。
99120编辑于 2022-06-08 - 来自专栏硅光技术分享
固态LiDAR基础知识点整理
最近看到一篇关于LiDAR的综述文章"A Progress Review on Solid-State LiDAR and Nanophotonics-Based LiDAR Sensors"，小豆芽这里整理下固态激光雷达的基础知识点 (b) MEMS型 相比于传统的机械式扫描LiDAR, MEMS型LiDAR采用集成于芯片上的微透镜作为光束扫描的元件，通过微透镜转动调整光束的发射角度，具有体积小、可靠性高和功耗低等优势。 相较于另外两种固态LiDAR, OPA型LiDAR的扫描速度更快，并且有望做到与激光器单片集成。但是目前OPA型LiDAR还处于实验室研究阶段。 这几种固态LiDAR的比较如下表所示， （表格来自文献2） 总体说来，激光雷达方案是上述几种方案的组合，以下是目前上市LiDAR公司采用方案与路线的整理，目前主流方案还是机械式和MEMS型，但是固态 LiDAR是大家都比较认可的发展方向。
1.5K40编辑于 2022-12-02 - 来自专栏ADAS性能优化
For Self-Driving Cars, Lidar Amps Up at CES 2020
对于CES，它宣布了其基于MEMS的固态激光雷达系列的最小，最智能的版本，RS-Lidar-M1（1,898美元）。基本版本（称为“简单”）具有125 905nm光束，覆盖120度视场。
42410编辑于 2022-05-13 - 来自专栏点云PCL
4D LiDAR 与 4D RADARS
在 2010 年代，当我们谈论 LiDAR 时，人们指的是 TOF LiDAR 系统（飞行时间 LiDAR）。这些传感器会向环境发送激光脉冲，并测量波返回所需的时间。 以下是一个例子： TOF LiDAR 的工作原理 根据 LiDAR 的垂直层数，就可以拥有 2D 或 3D LiDAR，以创建环境的点云。 FMCW LiDAR 或 4D LiDAR FMCW LiDAR（或 4D LiDAR 或多普勒 LiDAR）是一种可以返回深度信息的 LiDAR，但也可以直接测量物体的速度。 现在，FMCW LiDAR 系统已经采用了这一方法，但仍然使用光波而不是无线电波。 AMCW LiDAR：另一种类型的 LiDAR 不仅仅是 FMCW LiDAR 是“新”的。 LiDAR 还可以进行 AMCW（调幅连续波）调制。 不同之处在于，这些 FMCW LiDAR 测量波的频率，而 AMCW LiDAR 测量 LiDAR 波的幅度。
41400编辑于 2025-02-26 - 来自专栏光芯前沿
集成光子FMCW Lidar光源技术需求解析
本文原题为《Requirements for next-generation integrated photonic FMCW LiDAR sources》，由Simone Bianconi
67010编辑于 2025-07-29 - 来自专栏AI研习社
LIDAR : 自动驾驶汽车的关键传感器
LIDAR 的工作原理 传感器是如何做到 360 度无死角以及高精度的深度信息捕获呢？ 简单地说：LIDAR 传感器不断发射激光传感束，然后根据光束返回至传感器的时间测距。 ? Homer 的驾驶空间 LIDAR 的简史 为了进一步理解现代 LIDAR 背后的技术支持，着眼于具备相同目标的相似技术非常重要。 蝙蝠（或是海豚，之类.....）能够像 LIDAR 一样使用回声定位，另一个称为声呐（声音导航和测距）。和 LIDAR 激光测距不同的是，Sonar 使用声波进行测距。 - 维基百科 LIDAR（激光雷达技术）在自动驾驶汽车中的作用 为什么 LIDAR 会使用自动驾驶汽车成为可能？简而言之：绘制地图。LIDAR可以生成巨大的3D地图（这是它最早的应用！） 降低成本 固态LIDAR有望提供1000美元以下的LIDAR单元，相比于当下的80000美元单价的LIDAR极具吸引力。LeddarTech是这个早期市场的领军公司之一。
1K60发布于 2018-12-14 - 来自专栏点云PCL
基于LiDAR的自动驾驶的位置识别：综述
相比之下，LiDAR传感器主动发射激光信号以捕获高分辨率的3D点，在低光条件下也能提供精确和详细的几何信息。此外，3D扫描技术的快速进步进一步加强了使用LiDAR传感器进行地点识别研究的兴趣。 机械式LiDAR以多条扫描线的格式生成点云，导致垂直稀疏。固态LiDAR提供有限的水平视场（FOV），在识别过程中需要特定的考虑。 现实世界的环境提供了额外的挑战，包括噪声、遮挡和LiDAR测量中的不确定性。因此，特定应用可能需要转移学习。 基于分割方法Lidar位置识别 分割是具有相似几何属性的有意义的区域划分。这些方法将点云分成段，图8展示了三种代表性的方法。 以下是两点观察： LiDAR SLAM采用基于位姿相似性的简单LCD方法，然后进行PCR以计算相对变换。
92820编辑于 2023-09-11 - 来自专栏点云PCL
图像和LiDAR点云的可微分配准
文章：Differentiable Registration of Images and LiDAR Point Clouds with VoxelPoint-to-Pixel Matching 作者： 摘要 不同模态之间的配准，即来自摄像机的2D图像和LiDAR的3D点云之间的配准，是计算机视觉和机器人领域中的关键任务。 用于异常处理的交叉检测： 由于图像和LiDAR点云采集方式的不同，存在大量离群值区域，无法找到对应关系。 将交叉区域定义为LiDAR点云使用地面实况相机参数的2D投影与参考图像之间的重叠部分。
87211编辑于 2023-12-20 - 来自专栏深度学习和计算机视觉
Camera-Lidar投影：2D-3D导航
在捕获更密集和更丰富的表现方面，相机的性能优于LIDAR。从图2中，仅看稀疏点云，就很难正确地将黑匣子识别为行人。但是注意RGB图像，即使人朝后，我们也可以很容易地看出物体看起来像行人。 目的 在本文中，我们将进一步探讨如何同时利用LIDAR和相机数据，以创建更加丰富和准确的环境3D场景。 我们将使用Kitti 3D对象检测数据集 作为参考。 图7. 3D盒子投影到点云上 在此示例中，我们不考虑从360度旋转的LIDAR扫描仪绘制所有扫描点，而是仅考虑位于摄像机视场内的点云，如图4所示。 接下来，我们只需要应用逆变换来使用投影将相机坐标系中的3D框投影到LIDAR 。 步骤如下： • 计算投影矩阵project_velo_to_cam2。 • 投影指向图像平面。 • 将3D盒子投影到LIDAR坐标 结束 了解如何将数据从一个传感器转换到另一个传感器对于开发我们算法的性能至关重要。
3.1K10发布于 2020-07-24 - 来自专栏PyVision
缩小LiDAR点云语义分割中的域差异
在开发自动驾驶汽车的激烈竞争中，激光雷达（LiDAR），这种类似雷达的激光系统，已经成为最关键的硬件组件之一。 在论文 《Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds》 中 原文：https://medium.com/syncedreview/google-bridges-domain-gaps-in-semantic-segmentation-of-lidar-point-clouds
1.3K20发布于 2020-09-03 - 来自专栏杨丝儿的小站
MOB LEC10 LIDAR, Point Cloud and Iterative Closest Points
LiDAR LiDAR calculus State Estimation via Point Set Regression Problem define ICP Algorithm
36810编辑于 2022-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号