SLAM面试代码题：点云去畸变

最新推荐文章于 2025-04-29 15:15:18 发布
最新推荐文章于 2025-04-29 15:15:18 发布
阅读量669 收藏 3
点赞数
CC 4.0 BY-SA版权
分类专栏： 秋招面经 文章标签： 面试 职场和发展 自动驾驶 机器人
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jiny_yang/article/details/136400820
本文介绍了SLAM面试中的一道代码题，涉及点云处理。题目要求根据点云的时间戳和位姿信息去除畸变。解题思路包括定义点云结构体，通过时间戳将点云变换到同一时间参考系，并使用线性插值处理位置，球面非线性插值处理旋转，从而实现去畸变效果。

题目

假设已知一帧点云每个点的时间戳和它的位姿，要求对点云去畸变

解题思路

  1. 定义一个点云的struct
  2. 利用时间戳，把一帧内每个时刻的点云都变换到这一帧的起始时间处
  3. 位置使用线性插值，旋转使用球面非线性插值
// 点云去畸变
#include <iostream>
#include <Eigen/Core>
#include
了解本专栏 订阅专栏 解锁全文 超级会员免费看
velodyne16:点云畸变去除（源码）
xx970829的博客
12-28 3144
目录说明源码 说明 点云畸变主要是由运动导致的，velodyne16为10hz，如果运动较快则不得不去除畸变。 去除畸变时最核心的是得到每个点的具体扫描时间，loam主要通过计算角度，lio-sam主要通过水平分辨率展开，出于好奇，自己写了一个程序，主要通过每个扫描点的自带的时间[注意：扫描点的自带的时间并不是每次都从0开始的，其内部的微秒计时器会漂移] 源码 //***********************************************************************
2D和3D激光slam的点云去运动畸变
最新发布
hero_heart的博客
07-14 1242
在使用激光雷达设备采集点云的时候，我们都知道，激光雷达是边运动边采集的，每一个点云采集时的激光雷达的中心和姿态都是不一样的，如果不加以矫正，那么这一帧数据就会出现问题，比如采集一个平面的结构的时候，所采集的数据呈现出来的可能就是一个非平面。直接使用插值所的的旋转矩阵把雷达点变换到世界坐标系中，然后使用start点的旋转矩阵求逆，然后乘上世界点，就可以把imu世界点变换到start点所在的当前坐标系下，也就是假设start点的坐标系旋转矩阵是单位矩阵，平移矩阵是（0，0，0）。这样就完成了点的畸变矫正。
雷达点云去畸变
ysh1634870233的博客
04-10 822
kitti数据集，bag里点云的时刻是该帧点云起始时刻和终止时刻的平均值，所以应该往前移半个周期。
激光雷达点云去畸变
感知算法
04-29 612
激光雷达是逐点或逐线扫描来生成一帧点云数据的，并非像相机一样瞬时曝光。在一个扫描周期内（比如100ms），激光雷达会旋转扫描，扫描一圈后形成一帧点云，每个点的采集时间都不同。如果这期间载体发生了平移或旋转，那采集到的点就处在不同的空间参考系。将这些点统一放在同一个参考系里（比如扫描起始时刻），就会导致点的位置变形、拉伸或错位——这就是点云畸变（Distortion为什么要做点云去畸变从感知角度讲Lidar 点云融合：不同雷达采集的数据需统一到同一坐标系。
fastlio点云去畸变问题
Son_of_the_Bronx的博客
12-13 2960
第一种是速腾雷达,通过配置可以得到点云中每个点的时间,但是时间单位有问题,需要修正才能使去畸变正常工作.第二种是velodyne,不知道是什么原因没法得到点云中点的相对时间,所以需要去补偿时间,才能使去畸变正常工作.吐槽一下velodyne怎么样才能直接从雷达驱动获取点云每个点的时间,不太清楚怎么操作,github上的驱动太不详细了…
LIO-SAM前端点云去畸变源码-imageProjection.cpp解析
avenger_fang的博客
10-04 2240
以上两个畸变计算补偿量是独立的，独立计算IMU数据在当前处理帧(上一激光帧)的角度变化量，并存下来作为数值以备使用；同理里程计也是类似，不同的是，里程会记录下当前处理帧(上一激光帧)点云开始时刻的里程计的测量值，包括位置和姿态，其坐标量为odom topic的坐标系。遍历当前处理帧(最新回调进的一个帧的前一帧）点云的每一个点，每一个点都不错过，然后调用去畸变的函数deskewPoint(&thisPoint, laserCloudIn->points[i].time)去这一个点的畸变。
SLAM常见面试题集锦
青箬笠，绿蓑衣
09-30 6155
前言 在备战秋招时，发现SLAM相关的知识点比较庞杂零碎，网上对于常见的面试题也没有全面的集锦可以参考复习，所以参考我找到的一些面试题，自发整理了一些常见的问题及参考答案。参考答案是博主参考大佬的回答及自己的理解给出的，用于自己秋招备战使用的，所以答案都力求准确、简洁。但奈何能力有限，答案仍可能存在错误或者瑕疵，欢迎留言批评指正。 当然这里整理的也不全面，只是略尽绵薄之力，希望对大家有所帮助。另外...
论文速报《BEV-LIO(LC): 提升稀疏点云SLAM精度的新框架》
lovely_yoshino的博客
03-07 8155
随着LiDAR-惯性里程计（LIO）技术的快速发展，结合LiDAR和惯性传感器的SLAM（同时定位与建图）系统在精度和效率上取得了显著进展。然而，稀疏点云的挑战依然存在，尤其是在特征提取和定位精度方面。为了应对这些挑战，本文提出了一种新的LIO框架——BEV-LIO(LC)，该框架通过将LiDAR数据的鸟瞰视图（BEV）表示与几何配准相结合，并通过特征匹配实现鲁棒的回环闭合检测，显著提升了稀疏点云SLAM的性能。
视觉SLAM面试题汇总（三）
qq_38167930的博客
07-15 4633
北京某自动驾驶公司： 1. 点云的聚类；求法向量；多个点集，求点集的法向量； 2. LM算法里面lamda的作用； 3. KD-Tree 4. 描述子距离的匹配的方法？除了暴力匹配还有什么方法？（提示：点对匹配的集中方式：暴力匹配；FLANN匹配；使用词袋模型进行初步筛选的匹配；重投影的匹配） 5. ORB-SLAM中特征匹配 6. 四叉树特征点均匀化原理 7. 对于非二进制的描述子，如sift描述子，是如何计算出他们之间的距离的？ 8. 哈希表 9. ORB-SLAM2的整体流程 ..
Rust与SLAM算法优化：面试高频考点解析
资源摘要信息:《Rust自动驾驶SLAM算法优化面试高频考点100+》是一份专为Rust语言与SLAM算法结合的面试备考资料，内容涵盖了Rust语言的核心特性、性能优化技巧、SLAM基础理论、点云处理技术、视觉SLAM等多个方面。...
fastlio点云去畸变问题2
Son_of_the_Bronx的博客
03-06 1789
虽然在雷达10hz情况下，用fastlio内的代码计算点云中的点的相对时间是可行的，但是雷达5hz情况下会出问题，可能是那个时间补偿的代码适用10hz？也可能是5hz的点云不能这样简单地不长时间？具体原因不太清楚。点云中点的时间是非常关键的，最好是用驱动给出的相对时间。提问：为什么点云中靠前的点，驱动给出的相对时间是负数？？
激光雷达点云预处理：传感器时间同步、点云去畸变
热门推荐
try_again_later的博客
05-14 1万+
一、传感器时间同步 多传感器融合过程中由于传感器之间的采集频率不同，导致无法保证传感器数据同步。这里以激光雷达为核心传感器，每次收到一次雷达数据，便以当前雷达数据采集时刻作为要插入的时间点，该时刻另一传感器IMU的数据通过插值获得。这里同样可以参考VINS里相机和IMU时间同步的函数代码getMeasurements（）。 主程序在front_end_flow.cpp文件中的ReadData()函...
LVI-SAM学习笔记1：激光雷达点云去畸变原理
JaydenQ的博客
05-05 2570
本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏 1.为什么会产生畸变 与相机不同，相机的曝光时间都很短，每一帧之间的时间间隔很短，而且上一帧最后一个像素与当前帧第一个像素也没有连续关系，通常不考虑运动畸变。而激光雷达不同，激光雷达形成一帧点云，至少需要激光从一侧扫描到另一侧若干遍，而且激光雷达每一帧形成的时间都比较长，因此此过程中位姿变化也比较大，导致出现的点云与真实世界中差别很大，所以需要点云去畸变。 2.点云去畸变原理 上一帧点云的最后一个点就是当前帧点云的第一个点，这是点云去畸变的
从零开始细扣LOAM系列第二篇--点云处理一：去畸变和去离群点
weixin_43959160的博客
08-06 1681
前一篇文章简单介绍了LOAM的总体框架，本文紧接着开始对算法进行位姿估计前的点云处理进行详细探索，遵循先根据论文打通理论理解，然后详细解读源码的模式进行学习。
SLAM相关手撕代码题
qq_42731705的博客
09-14 699
【代码】SLAM相关手撕代码题。
激光点云的畸变校正
fb_941219的博客
03-22 5455
激光点云的畸变校正0.引言1.理解几个坐标系的关系2.代码阅读 0.引言 校正由于运动引起的激光点云畸变。 参考阅读 点云去畸变的方法包括： 纯估计方法（ICP/VICP） 传感器辅助方法（IMU/ODOM） 融合的方法 这里学习的也是传感器辅助方法。多余的也不再赘述，自己理一下几个坐标关系并做记录。 1.理解几个坐标系的关系 畸变产生的原因如图所示，自己理解也是基于这张图进行理解。 图片来源 这个坐标系关系和后续的代码相对应。 通过线性插值，计算补偿矩阵的原理： 雷达扫描一帧的时间是固定的，
LIO-SAM：点云预处理前端---畸变矫正数据预处理
月照银海似蛟龙的博客
08-23 3676
LIO-SAM从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。LIO-SAM提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。其中点云运动畸变矫正的代码在图像投影的节点中原始点云数据原始imu数据imu预积分后预测的imu里程计数据其中完成的一个主要功能就是进行畸变矫正。
利用IMU进行激光点云运动畸变校正
weixin_41681988的博客
04-24 9686
利用IMU进行激光点云运动畸变校正 1.思想原理 在激光SLAM定位与建图过程中，当激光雷达运动得比较慢没有比较大幅度的旋转时，可以不用考虑点云的运动畸变，在帧间匹配时依然能用ICP配准估计出雷达的位姿。但是在激光雷达运动幅度比较大时，就不得不考虑激光点云的运动畸变，可以采用IMU或者编码器提供的短时间位姿估计信息去除点云的运动畸变。在这里我采用的是IMU对点云的运动畸变进行去除，IMU输出的加速度信息积分很发散，如果是更差的IMU设备，更用不了加速度信息，在这里之考虑了利用IMU的角速度信息。在1帧的点云
激光点云的畸变补偿
爱做菜的炼丹师
02-17 5212
文章导读 激光雷达安装在自动驾驶车辆上，在车辆行驶过程中采集到的激光点云数据建立的三维环境模型存在一定的变形，不能真实反映某一时刻自动驾驶汽车的行驶环境。所以本文对获取一帧点云数据后如何做点云的运动补偿修复畸变问题进行讲解。 目录 点云畸变原理 畸变补偿方法 运动目标补偿 点云畸变原理 点云畸变是由于激光雷达采集数据的过程中，随着载体运动导致一帧点云中的点不是在同一时刻采集的，即不同激光点的坐标系不一致。 小编使用的是VLP-16，纵向排列着16个激光发射器和接收器。VLP-16的垂直测量角度
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

山楂没我渣

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值