描述 CSF布料滤波算法，用于遥感雷达数据提取地面，是张吴明教授等发表在remote sensing期刊上的文章论文全称：An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation源码链接：https://github.com/jianboqi/CSF.git 方法挺简单易懂的，网上有很多对此的论文
背景 相机标定核心公式复习公式 原理 我们可以将mei模型理解为，在 z 轴添加了一个偏移\xi ，使得球型水平入射的光线也可以投影到图像的像素区域内 1. 物理xyz 求 像素uv 通过以下过程，根据物理点的信息，和我们已经标定好的相机模型，可以得到该点在图像上的坐标 1.1 找到xyz与uv之间的关系 假设物理真实的点的坐标为 P = (x, y, z)^T 这个物理点，
PnP(Perspective-n-Point)是求解3D到2D点的对应方法。不论是相机和雷达的标定还是相机和相机的标定都可以使用PNP来解决，即通过不同坐标系下相同的点对求解变换矩阵。 这里相机多用棋盘格中的角点来实现点的提取。流行方法为张正友标定法，至于详细原理可点击我的博客https://www.cnblogs.com/tangjunjun/p/16240878.htm
0. 前言 作为激光雷达的回环而言,最经典的仍然是Scan Context,但是Scan Context仍然会存在有一些缺陷，一是它只利用了最大的高度，丢失了很多点云信息，二是Scan-Context不具有旋转不变性，需要进行暴力匹配，三是Scan-Context缺少特征提取步骤。所以文章《LiDAR Iris for Loop-Closure Detection》,同时作者也将代码开源
0. 简介 这篇文章我们介绍一下论文“High-Definition Map Generation Technologies For Autonomous Driving: A Review“，2022年6月11日，来自加拿大Ontario Tech University。相较于网上的其他文章，本文更在意向读者更轻松全面的了解文章中介绍的方法，让读者从总体上了解高精地图生成。 高清地图近年来备
1. Open3D-ML安装和使用 首先对于Open3d，我们要先对源码下载 # make sure you have the latest pip version pip install --upgrade pip # install open3d pip install open3d 然后选择要安装兼容版本的PyTorch或TensorFlow，Open3d中提供了两种安装方式
前言：对于无人驾驶路径规划系列的第二篇RRT算法的改进部分，由于有些内容属于个人想到的创新点，有想法投一篇小论文所以暂时没有公开，等后续完成后我会再公开介绍。今天第三篇内容开启一个新的算法介绍：Frenet坐标系下的动态规划。我花了将近半个月的时间来了解、研究算法原理，理解网上python开源的代码，最后根据个人理解在matlab上进行了复现。如果还没有看过我前面文章的读者，可以点击下方的传送
前言：由于后续可能要做一些无人驾驶相关的项目和实验，所以这段时间学习一些路径规划算法并自己编写了matlab程序进行仿真。开启这个系列是对自己学习内容的一个总结，也希望能够和优秀的前辈们多学习经验。 一、无人驾驶路径规划 众所周知，无人驾驶大致可以分为三个方面的工作：感知，决策及控制。 路径规划是感知和控制之间的决策阶段，主要目的是考虑到车辆动力学、机动能力以及相应规则和道路边界条件下，
0. 前言 前段时间去大概了解了如何去滤除动态障碍物的问题，也根据调研去做了一些工作，这一篇文章主要向大家展示如何将Lidar-MOS和ROS2结合起来去使用。 1. 环境安装 文中使用了Salsanext，Rangenet ++和Mine三个模块作为baseline来设计和测试动态障碍物滤除的工作，其中的语义分割工作都是目前已有的，可以去原项目中查看。代码下载： #下载程序 git c
Efficient Online Segmentation for Sparse 3D Laser Scans 描述 本文来分析另外一篇点云分割的算法原文：Efficient Online Segmentation for Sparse 3D Laser Scans 算法中分为两步，第一步是点云地面分割，第二步是对除去地面后的点进行分割。和之前一样，我们还是先只介绍地面分割的部分，之后有时间
描述 这个韩国团队真的挺厉害的，在2017年别人提出的GPF算法（已分析）基础上，持续输出。2021年在RAL发表了两篇文章：一篇R-GPF算法（我还没分析），另外一篇是Patchwork（已分析）。今年刚刚刚，也就是2022年7月份又中了一篇IROS，也就是这篇文章：Patchwork++，主要改进了之前提出的Patchwork。 论文思想挺不错的，我来解析一下（同时，定个小目标，年底争取超
AutowareAuto 泊车案例复现及原理简介 泊车案例是 AutowareAuto 于2020年开发的一个实例，如今可以Autonomous Valet Parking Demonstration 中看到。 一、前提准备 AutowareAuto ade环境搭建完成 Lgsvl环境和仿真器配置完成 二、运行环境建议 如果运行 LGSVL 仿真器，需要搭载
描述 这一篇文章介绍2017年的一篇基于点云数据的地面分割算法——GPF（Ground Plane Fitting）论文全称：Fast Segmentation of 3D Point Clouds: A Paradigm on LiDAR Data for Autonomous Vehicle Applications 这篇文章实际上有两个贡献：其中一个是GPF。而另外一个是SLR（Scan
论文题目：VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 开源代码：https://github.com/qianguih/voxelnet VoxelNet是一个端到端利用点云进行3D目标检测的网络，它的最大特征是把点云转成体素（voxel，所谓体素，其实就是网格，三维空间中的网格）形式再进行
论文题目：PointFusion: Deep Sensor Fusion for 3D Bounding Box Estimation 一、整体介绍 这篇论文所提出的网络模型都很简洁，作者的文笔也很清晰，所以我们就不废话了，都在图里了 图中A、B、C、D、E都标好了，我们逐个讲解就是了 A）使用PointNet提取点云的特征，包括全局特征和单个点的特征 B）使用ResNet提取图
论文题目：Frustum PointNets for 3D Object Detection from RGB-D Data 开源代码：https://github.com/charlesq34/frustum-pointnets 一、基本思路 这篇文章是PointNet和PointNet++的作者写的，其目的是在使用PointNet进行点云处理之前，先使用图像信息得到一些先验搜索范围，
在上一篇文章，我们通过AVOD的论文介绍了它的原理，这一次我们介绍它的代码 代码介绍会分多篇文章进行，本篇文章先介绍怎样搭建环境，把程序run起来，后续的文章会介绍程序的结构和代码的详细内容。 话不多说，进主题 一、环境搭建 我使用的系统是ubuntu 16.04，用anaconda搭建的虚拟环境，至于anaconda在ubuntu上怎样安装，大家可以自己在网上查，教程很多。 安装完an
论文题目：Joint 3D Proposal Generation and Object Detection from View Aggregation 开源代码：https://github.com/kujason/avod AVOD和MV3D-Net比较像，前者算是后者的加强版，由于之前我们已经详细介绍了MV3D-Net，所以我们就不对AVOD做完整介绍了，只介绍它做的改进部分，之前MV3
论文题目：Multi-View 3D Object Detection Network for Autonomous Driving 开源代码：https://github.com/leeyevi/MV3D_TF MV3D-Net是2017年发表的一篇论文，它融合了视觉和雷达点云信息，同时，和以往基于voxel的方法不同，它只用了点云的俯视图和前视图，这样既能减少计算量，又不至于丧失过多的
描述 接上一篇，对论文中的实验结果进行分析 PLARD使用的网络：视觉PSPNet，雷达ResNet-101 IV. EXPERIMENT 在本节中，我们评估了基于KITTI道路检测的PLARD的有效性。我们首先采用5倍交叉验证来说明PLARD中各个部分的有效性。然后，我们在测试集上评估PLARD，并将其与其他最先进的道路检测算法进行比较。 A. Dataset数据集 KITTI道路基
自动驾驶相关博客
第三方账号登入
看不清？点击更换
第三方账号登入
QQ 微博 微信