lidar专题

自动驾驶---Perception之Lidar点云3D检测

1 背景 Lidar点云技术的出现是基于摄影测量技术的发展、计算机及高新技术的推动以及全球定位系统和惯性导航系统的发展，使得通过激光束获取高精度的三维数据成为可能。随着技术的不断进步和应用领域的拓展，Lidar点云技术将在测绘、遥感、环境监测、机器人等领域发挥越来越重要的作用。目前全球范围内纯视觉方案的车企主要包括特斯拉和集越，在达到同等性能的前提下，纯视觉方

扫地机LiDAR形态之美

石头扫地机V20 LiDAR: Flash光源和Spot光源切换图来自 Robot森 LiDAR（Light Detection and Ranging，激光雷达）技术在扫地机器人中的应用，不仅提升了机器的智能性和实用性，还展现了一种科技与艺术的融合之美。一、外观设计的精致性紧凑与轻巧：扫地机器人的LiDAR传感器通常被设计得十分紧凑和轻巧，这样不仅便于机器人灵活移动，

论文阅读：Correcting Motion Distortion for LIDAR HD-Map Localization

目录概要 Motivation 整体架构流程技术细节小结论文地址：http://arxiv.org/pdf/2308.13694.pdf 代码地址：https://github.com/mcdermatt/VICET 概要激光雷达的畸变矫正是一个非常重要的工作。由于扫描式激光雷达传感器需要有限的时间来创建点云，所以一次扫描过程中传感器的运动会导致点云发生畸变，这种现

LIDAR激光雷达系列之三

LIDAR激光雷达系列之三基本理论及概念大气散射光斑激光光源激光接收器信噪比背景模型发射器光学镜片系统配置laser(light amplification by stimulated emission)噪声源接收器总结基本理论及概念本篇对LIDAR概念及其背后理论做一个简单概述，便于大家阅读LiDAR相关资料时有一定理解基础。从测距原理上分为ToF（飞行时间法）、

点云从入门到精通技术详解100篇-基于车载 LiDAR 的雨雪天气点云滤波算法研究（续）

目录 2.2.2 衍生算法 2.2.2.1 DROR 2.2.2.2 DSOR 2.2.2.3 DDIOR 3算法改进及评价指标

【论文笔记】DiL-NeRF: Delving into Lidar for Neural Radiance Field on Street Scenes

原文链接：https://arxiv.org/abs/2405.00900 1. 引言自动驾驶等应用领域需要逼真的仿真。传统的仿真流程需要手工创建3D资产并构成虚拟环境，但其人力和专业需求使其难以具有可放缩性。 NeRF有不错的仿真能力，但需要大范围覆盖的训练数据以学习潜在的几何、材料特性和光照。在自动驾驶场景中，数据覆盖很稀疏，且相机的轨迹共线。此外，路面纹理较少，进一步引入重建的模糊性

ICRA2024重磅！首个融合LiDAR的NeRF-based SLAM系统

论文标题： SiLVR: Scalable Lidar-Visual Reconstruction with Neural Radiance Fields for Robotic Inspection 论文作者： Yifu Tao1, Yash Bhalgat2, Lanke Frank Tarimo Fu1, Matias Mattamala1, Nived Chebrolu1, and

【GlobalMapper精品教程】074：从Lidar点云创建3D地形模型

本文基于地形点云数据，基于泊松方法、贪婪三角形测量方法和阿尔法形状创建3d地形模型。文章目录一、加载地形点云数据二、创建三维地形模型1. 泊松方法2. 贪婪三角形测量方法3. 阿尔法形状注意事项一、加载地形点云数据加载配套案例数据包中的data074.rar中的地形点云数据地形.las，如下所示：二、创建三维地形模型点击Globalmapper软件【

消除 BEV 空间中的跨模态冲突，实现 LiDAR 相机 3D 目标检测

Eliminating Cross-modal Conflicts in BEV Space for LiDAR-Camera 3D Object Detection 消除 BEV 空间中的跨模态冲突，实现 LiDAR 相机 3D 目标检测摘要Introduction本文方法Single-Modal BEV Feature ExtractionSemantic-guided Flow-ba

r3live 使用前提雷达-相机外参标定 livox_camera_lidar_calibration

标定的是相机到雷达的,R3live下面配置的雷达到相机的,所以要把得到外参旋转矩阵求逆,再填入,平移矩阵则取负港科大livox_camera_calib虽然操作方便，但是使用mid360雷达会有视角问题（投影三维点到相机），尝试了很多场景，标定效果都不理想（推荐场景是楼梯间），看来港大的更适合avia之类窄角度的雷达。livox_camera_lidar_calibration标定效果还不错，但

使用立体视觉作为 3D LiDAR 的替代方案，在 KITTI ADAS 立体视觉数据集上微调立体变换器 (STTR) 模型-含数据集+源码资料下载

为什么是立体视觉？ ADAS 立体视觉是指使用两个摄像头（类似于人眼）从略有不同的角度捕获图像的技术。该设置模仿人类双眼视觉，使系统能够感知环境的深度和 3D 结构。立体视觉的关键技术方面 ADAS 立体视觉具有多种优势和高度复杂的功能。让我们探索它们以更好地理解：对极几何和深度估计：立体视觉依赖于对极几何，这是计算机视觉中的一个基本概念，描述了立体设置的两个视图之间的几何关系。通过

基于ES-EKF的LiDAR/GNSS/IMU传感器融合轨迹估计（附项目源码）

基于改进EKF的LiDAR/GNSS/IMU传感器融合轨迹估计（附项目源码）算法概述PredictionCorrectionES-EKF算法融合算法实现轨迹估计实验结果最近在研究传感器融合，看到一个很好的开源项目，适合小白学习，为以后做传感器融合、SLAM、自动驾驶和室内定位等方向打下基础。算法概述题目：基于改进扩展卡尔曼滤波（Error State-EKF）的LiD

高精度端到端在线校准环视相机和LIDAR（精度0.2度内！无需训练数据）

高精度端到端在线校准环视相机和LIDAR（精度0.2度内！无需训练数据）附赠自动驾驶学习资料和量产经验：链接写在前面在自动驾驶车辆的使用寿命内，传感器外参校准会因振动、温度和碰撞等环境因素而发生变化。即使是看似无害的 camera-lidar 外参校准值有一两度的误差，也可能给高级的 camera-lidar 感知功能引入灾难性的故障。连续在线外部校准（COEC）在自动驾驶

北斗导航 | 3D LiDAR辅助GNSS NLOS缓解用于城市峡谷中可靠的GNSS-RTK定位

===================================================== github：https://github.com/MichaelBeechan CSDN：https://blog.csdn.net/u011344545 ===================================================== 3D LiDAR

iPhone 15 Pro LiDAR Module模组逆向(2024.3.23)

iPhone15 Pro出来后，基本上国内所有的模组厂包括舜宇，丘钛等都已经逆向了LiDAR模组，并同时测试了电学，光学，BOM成本等一系列测试。当然市面上最具备影响力的是YOLE的商业评估报告，我这边同时具有这些报告，也有一些自己的见解，当然本篇讲解可能会同时涉及到几个模组厂和科研机构的逆向以及测试报告。 YOLE的报告会略显中肯，对于技术的广度是够的，但是技术的深度是不够的，模组厂则相反，特

【Lidar】Lidar激光雷达一篇全（两万字激光雷达详细介绍）

【Lidar】Lidar激光雷达一篇全 1. 激光雷达测距原理1.1 三角测距1.2 飞行时间测距（TOF，Time of Flight） 2. 车载激光雷达类别2.1 机械旋转式2.2 固态2.2.1 相控阵 2.3 半固态（混合固态）2.3.2 微转镜/棱镜 3. 激光雷达性能指标3.1 点云性能指标3.2 硬件性能 4. 激光雷达数据集4.1 Kitti4.2 nuScenes4.3

【雷达相机外参标定】direct_visual_lidar_calibration安装

direct_visual_lidar_calibration安装主页安装ubuntupclOpenCVceres其他依赖fmtdirect_visual_lidar_calibration 标定雷达和相机时使用direct_visual_lidar_calibration。主页 https://github.com/koide3/direct_visual_lidar_

Failed to build tree: parent link [base_link] of joint [lidar_joint] not found

参考： Failed to build tree: parent link [base_link] of joint 在古月居gazebo 的基础教程里，运行古月居的mbot的launch文件报错，小机器人不出现。主要原因是提供的xacro文件的宏定义没有放在xacro的命名空间。解决：将<mbot_base_gazebo>改为<xacro:mbot_base_gazebo>

【读论文】2018-机载LiDAR 点云数据降维与分类的随机森林方法

摘要考虑到现有的点云分类算法在提取依赖结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂，并且缺乏对分类特征参数的重要性评估和选择等问题。选取了归一化高度、高度统计量、表面特征、空间分布特征、回波特性、强度特征6大类特征参数，并构建多尺度特征参数使用随机森林的特征选择算法对分类特征进行优化，然后进行点云分类实验表明，归一化高度特征在点云分类中所起作用最大归一化高度基于布

【虹科案例】虹科高速数字化仪在光探测和测距 (LIDAR) 系统中的应用

引言 50 多年前激光技术的发展催生了光探测和测距 (LIDAR) 系统，该系统在距离计算方式上取得了突破。LIDAR 的原理与雷达使用的原理非常相似。主要区别在于雷达系统检测物体反射的无线电波，而激光雷达使用激光信号。这两种技术通常采用相同类型的飞行时间方法来确定物体的距离。然而，由于激光的波长比无线电波的波长短得多，因此激光雷达系统可提供卓越的测量精度。激光雷达系统还可以检查反射光的

【Chrono Engine学习总结】5-sensor-5.2-导出lidar数据的方法与原理探究

由于Chrono的官方教程在一些细节方面解释的并不清楚，自己做了一些尝试，做学习总结。 1、Sensor数据生成流程回顾 Chrono里面，sensor的数据生成、可视化、以及保存，都需要单独进行设置才能实现。sensor数据的采集流程如下https://api.projectchrono.org/sensor_overview.html：可以看出，sensor数据更新是另一个线程中进行，

LiDAR-Velodyne激光雷达pcap文件解析

在使用velodyne的时候，PCAP数据解析比较麻烦，为此写了一点代码来专门解析PCAP文件，将PCAP格式数据转为XYZ格式的点云数据，写完之后发现其实代码也不多，更轻量级了，代码如下： // readpcap.cpp : 定义控制台应用程序的入口点。//#define _CRT_SECURE_NO_DEPRECATE#define _CRT_SECURE_NO_WA

LiDAR-MEMS激光雷达点云实时显示

MEMS激光雷达出来后，为了不用LeddarTech的IDE软件，于是对其代码进行了封装，以供其他软件调用。在研究的过程中，点云的实时显示以前还未做过，就写了段测试代码，验证一下： #include "stdafx.h"#include <iostream> //标准输入输出流 #include <pcl/io/pcd_io.h> //PCL的PCD格式文件的输入输出

【Chrono Engine学习总结】5-sensor-5.1-sensor基础并创建一个lidar

由于Chrono的官方教程在一些细节方面解释的并不清楚，自己做了一些尝试，做学习总结。 1、Sensor模块 Sensor模块是附加模块，需要单独安装。参考：【Chrono Engine学习总结】1-安装配置与程序运行 Sensor Module Tutorial Sensor Overview Sensor模块包括的内容如下：其中： Sensors模块是核心，包括各种传感器（IMU

激光雷达LiDAR和相机的.bag数据解析与对齐

LiDAR数据解析 Ubuntu18.04 系统,已安装ROS 查看bag信息,在相应文件夹下打开终端 rosbag info xxx.bag 获得对应的topics topics: /velodyne_points 940 msgs : sensor_msgs/PointCloud2/zed2i/zed_node/le

【论文笔记】Lift-Attend-Splat: Bird’s-eye-view camera-lidar fusion using transformers

原文链接：https://arxiv.org/abs/2312.14919 1. 引言多模态融合时，由于不同模态有不同的过拟合和泛化能力，联合训练不同模态可能会导致弱模态的不充分利用，甚至会导致比单一模态方法性能更低。目前的相机-激光雷达融合方法多基于Lift-Splat，即基于深度估计投影图像特征到BEV，再与激光雷达特征融合。这高度依赖深度估计的质量。本文发现深度估计不能为这些