- 博客(61)
- 资源 (2)
- 问答 (3)
- 收藏
- 关注
RSS订阅原创 无序抓取系列（四）
在杂乱场景中快速、稳健地抓取物体是机器人技术的重要组成部分。目前大多数工作都采用整个观测点云进行 6-Dof 抓取生成，忽略了从全局语义中挖掘的指导信息，从而限制了高质量的抓取生成和实时性能。在这项工作中，我们表明广泛使用的热力图在 6-Dof 抓取生成的效率方面被低估了。因此，我们提出了一种有效的局部抓取生成器，结合抓取热力图作为指导，以全局到局部语义到点的方式进行推理。
2025-03-26 22:32:48
44
原创 登山第二十一梯：点云补全——零样本、跨激光分布的“泥瓦匠”
现有的点云补全方法通常依赖于预定义的合成训练数据集，在应用于分布外的实际扫描时会遇到重大挑战。为了克服这一限制，我们引入了一个称为 GenPC 的零样本补全框架，旨在通过利用明确的 3D 生成先验来重建高质量的真实世界扫描。我们的主要见解是，最近的前馈 3D 生成模型，在广泛的互联网规模数据上进行训练，已经证明了在零样本场景下从单视图图像执行 3D 生成的能力。为了利用这一点来完成，我们首先开发了一个深度提示模块，该模块通过利用深度图像作为垫脚石，将部分点云与图像到 3D 生成模型联系起来。
2025-03-26 21:42:37
830
原创 无序抓取系列（三）
本文重点研究了6-DoF抓取检测在尺度不平衡情况下的特征学习问题，并提出了一种新的方法，以解决小尺度样本处理的困难问题。提出了一种多尺度圆柱体分组 （MsCG） 模块，通过结合多尺度圆柱体特征和全局上下文来增强局部几何表示。此外，该文设计了一种尺度平衡学习（SBL）损失和对象平衡采样（OBS）策略，其中SBL通过先验权重放大了尺度低频样本的梯度，而OBS则借助辅助分割网络在小尺度目标上捕获了更多的点。它们分别缓解了训练和推理中抓取量表分布不均的影响。
2025-03-20 20:42:47
30
原创 登山第二十梯：无人机实时自主探索——我是一只小小小鸟
自主探索是无人机 （UAV） 各种应用的基本问题。最近，基于 LiDAR 的探索因其能够生成大规模环境的高精度点云地图而受到广泛关注。虽然点云本身就为导航提供了信息，但许多现有的勘探方法仍然依赖于额外的（通常是昂贵的）环境表示。这种依赖源于两个主要原因：需要边界检测或信息增益计算，这通常取决于内存密集型占用网格地图，以及直接在点云上进行路径规划的高计算复杂性，主要是由于昂贵的碰撞检查。
2025-03-19 20:50:49
1150
原创 点云深度学习系列：PVRCNN——point-voxel融合的分割模型
作者提出了一种新颖的高性能 3D 对象检测框架，名为 PointVoxel-RCNN （PV-RCNN），用于从点云中准确检测 3D 对象。提出的方法深度集成了 3D 体素卷积神经网络 （CNN） 和基于 PointNet 的集合抽象，以学习更多的判别性点云特征。它利用了 3D 体素 CNN 的高效学习和高质量建议以及基于 PointNet 的网络的灵活感受野。具体来说，所提出的框架通过新颖的体素集抽象模块将带有 3D 体素 CNN 的 3D 场景总结为一小组关键点，以节省后续计算并编码代表性场景特征。
2025-03-12 18:55:08
926
原创 登山第十九梯：实时点云压缩——量变质不变
LiDAR 因其能够提供准确的环境结构信息而被广泛用于自主机器人。然而，点云的大尺寸给数据存储和传输方面带来了挑战。在本文中，我们提出了一种用于资源受限机器人应用的新型点云压缩和传输框架，称为 RCPCC。我们迭代拟合具有相似范围值的点云表面，并通过它们的空间关系消除冗余。然后，我们使用形状自适应 DCT （SADCT） 来变换不拟合点，并通过量化变换后的系数来减少数据量。我们以 QoE 为优化目标，设计了一种自适应码率控制策略，以控制传输的点云质量。
2025-03-12 18:31:45
913
原创 登山第十八梯：具有泛化能力的3D检测——我行你也行
在本文中，文章提出了一种方法来增强基于 LiDAR 的 3D 目标检测的泛化能力，使探测器对点云密度的变化更加鲁棒。文章引入了基于置信度的下采样，以根据置信度分数模拟各种密度下的点云。文章还采用了学生-教师框架和文章提出的对齐损失，以保持低级内容的一致性和高级关系的一致性。广泛的实验表明，与其他基线相比，文章的方法表现出更好的泛化能力。
2025-02-17 14:51:55
919
原创 传感器篇（一）——深度相机
深度相机是一种能够获取物体深度信息的设备，相较于普通相机只能记录物体的二维图像信息，深度相机可以感知物体与相机之间的距离，从而提供三维空间信息。奥比中光：推出的 Gemini 330 系列全场景双目 3D 相机，搭载 MX6800 深度引擎芯片 ，支持 “结构光 + 主动双目 / 被动双目”，在强光、暗光、室内外等不同环境均具备出色的适应性，已广泛应用于机器人等场景。纵目科技：专注于智能驾驶领域，其 TOF 相机为车辆提供环境感知能力，助力自动驾驶技术的发展，在智能驾驶的环境感知和决策系统中发挥重要作用。
2025-02-13 08:32:59
1663
原创 登山第十七梯：矩形拟合——无惧噪声
提出一种能够鲁棒于矩形外圈噪声的矩形拟合算法；该算法的矩形拟合结果并不是拟合外包围盒，而是能够适用“内矩形”拟合的一种算法；同时，该算法能够扩展到多边形拟合；
2025-02-06 21:40:54
994
原创 地面分割（四）
将点云分为地面和非地面测量是从机载 LiDAR（光探测和测距）数据生成数字地形模型 （DTM） 的重要步骤。但是，大多数过滤算法需要仔细设置许多复杂的参数才能实现高精度。在本文中，提出了一种新的过滤方法，它只需要几个易于设置的整数和布尔参数。在所提出的方法中，将 LiDAR 点云倒置，然后使用刚性布料覆盖倒置的表面。通过分析布料节点和相应的 LiDAR 点之间的交互，可以确定布料节点的位置，从而生成地表的近似值。最后，通过比较原始 LiDAR 点和生成的表面，可以从 LiDAR 点云中提取地面点。使用 IS
2025-01-06 17:03:11
135
原创 地面分割（三）
3D 点云上的地面分割是许多应用的基础，例如 SLAM 和对象分割。由于它通常是这些应用程序的预处理模块，因此高效率和准确性是保证整个系统性能的基本要求。为此，作者避免了 3D 点云上的地面拟合和区域划分。提出了一种基于像素图像的方法，该方法将 3D 点云投影到两个圆柱形图像上，即水平范围图像和 z 图像，然后根据它们进行分割。为了实现快速准确的地面分割，首先引入了基于图像特征的创新设计。具体来说，考虑了 LiDAR 模型改进了坡度特征，并建议将特征与不同大小的感受野相结合，以更好地识别地面。然后，根据这
2025-01-06 16:54:21
118
原创 地面分割(二)
在利用 3D LiDAR 传感器的 3D 感知领域，地面分割是行驶区域检测和目标识别等各种用途的必不可少的任务。在这种情况下，人们提出了几种地面分割方法。但是，仍会遇到一些限制。首先，一些地面分割方法需要根据周围环境对参数进行微调，这非常费力和耗时。此外，即使参数调整得当，仍然会出现部分欠分割问题，这意味着某些地区的地面分割失败。最后，当地面位于其他结构（例如挡土墙）上方时，地面分割方法通常无法估计合适的地平面。为了解决这些问题，该文章提出了一种地面分割算法，在参数设置上，设计了更多基于数据的自适应参数，与
2025-01-06 16:23:20
59
原创 地面分割(一)
运行频率超过 40 Hz。正如在 SemanticKITTI 和粗糙地形数据集上的实验验证的那样，与最先进的方法相比，提出的方法产生了较好的性能，与现有的基于平面拟合的方法相比，显示出更快的速度。
2025-01-06 16:13:17
75
原创 登山第十六梯：深度恢复——解决机器人近视问题
深度感知是基于 3D 视觉的机器人技术的一个重要问题。然而，现实世界的主动立体或 ToF 深度相机经常会产生嘈杂且深度不完整，从而成为机器人性能的瓶颈。在这项工作中，提出了 一个基于学习的立体图像对深度估计框架，可以在不同的室内场景中预测干净和准确的深度，即使在经典深度感知完全失败的半透明或镜面表面等最具挑战性的场景中也是如此。该方法的关键是，通过使用去噪扩散概率模型预测视差图，将深度估计和恢复统一为图像到图像的翻译问题。在推理时，进一步纳入了左右一致性约束作为扩散过程的分类器指导。
2024-12-20 10:30:22
1444
原创 无序抓取系列（二）
作者提出了一种端到端的抓取评估模型，以解决直接从点云定位机器人抓取配置的挑战性问题。与最近基于手工制作的深度特征和卷积神经网络（CNN）的抓取评估指标相比，作者提出的模型是轻量级的，可以直接处理位于抓手内的3D点云以进行抓取评估。以原始点云为输入，即使点云非常稀疏，作者提出的抓取评估网络也能捕捉到抓手与物体之间接触区域的复杂几何结构。为了进一步改进我们提出的模型，作者生成了一个具有 350k 真实点云和用于训练大规模YCB对象抓取数据集。所提出的模型的性能在仿真和机器人硬件上都进行了定量测量。
2024-12-09 16:22:28
183
原创 无序抓取系列（一）
最近，已经提出了许多抓取检测方法，这些方法可用于直接从传感器数据中定位机器人抓取配置，而无需估计物体姿态。其基本思想是将抓握感知视作计算机视觉中的对象检测。这些方法将噪声和部分遮挡的 RGBD 图像或点云作为输入，并在不已知物体CAD模型的情况下生成可行的抓取位姿估计输出。尽管这些方法可以很好地将掌握知识推广到新对象，但它们尚未被证明足够可靠以供广泛使用。许多抓取检测方法对于孤立或呈现轻杂乱的新物体,其抓取成功率（抓取成功率占抓取尝试总数的分数）在 75% 到 95% 之间。
2024-12-02 22:55:52
474
原创 登山第十五梯:车体标定之激光雷达与车体——情同手眼
利用传感器特定的模式：图像特征、3D LiDAR 点、GNSS/INS 提供的姿态和毫米波雷达提供的速度，设计了四种相应的方法，主要在几分钟内校准正常驾驶过程中从传感器到汽车的旋转，组成了一个名为 SensorX2car 的工具箱。从每个段 i 中得到一个估计值 {ri ， pi ， yi ， zi}，然后计算所有估计值的标准差 {ri ， pi ， yi ， zi} i=n i=0 .为了说明车辆轨迹对结果的影响，我们还计算了选定的直线行驶段的标准 {ri ， pi ， yi ， zi}i∈S。
2024-12-02 15:20:22
939
原创 ROS第九梯：ROS+VSCode+Python+C++自定义消息发布和订阅
另外，用于python的代码文件在${工作空间}/devel/lib/python3/dist_packages/data_input/msg/_Box.py。首先，Python版本的ROS项目和C++版本的ROS项目前期创建功能包的步骤基本一致，具体可参考第二章。其中，供C++使用的代码文件在${工作空间}/devel/include/data_input/Box.h。编译完后，会生成用于C++和python使用的代码文件。第六步：设置CMakeLists.txt中的节点执行文件。
2024-11-18 21:02:44
448
原创 ROS第八梯：ROS+VSCode+Python+C++混合发布和订阅
很多时候，我们需要基于不同的代码语言进行不同功能的开发，那么，如何进行跨语言的数据通信便是其中的重中之重。这里我们利用一个实例，介绍一种基于ros的跨语言数据通信方法——C++发布话题，python订阅话题。第三步：在scripts下创建一个话题订阅代码文件（python）第一步：创建一个ROS功能包，具体步骤参照第二章和第七章。第四步：编辑CMakeLists.txt。第五步：运行发布节点和订阅节点。
2024-11-18 20:54:25
93
原创 ROS第七梯：ROS+VSCode+Python环境配置
第一步：Python版本的ROS项目和C++版本的ROS项目前期创建功能包的步骤基本一致，具体可参考第二章。
2024-11-11 14:38:13
214
原创 登山第十四梯：动态滤波——2024最快的仔
将所提出的动态点检测和去除方法集成到自主设计的 LIO 系统中以获得 Dynamic-LIO，并将 Dynamic-LIO 与 ULHK-CA 和 UrbanNav 数据集上的四个最先进的 LIO 系统进行比较，即 LIO-SAM 、Fast-LIO2 、RF-LIO 和 ID-LIO。本文提出了一种基于标签一致性的动态点检测和去除方法，用于在自动驾驶场景中处理移动的车辆和行人，并将所提出的动态点检测和去除方法嵌入到自主设计的 LiDAR 惯性里程计系统中。其他方法的两种结果都记录在他们的文献中。
2024-11-11 13:52:00
1148
原创 Linux登山第一梯：Nvidia驱动安装和卸载
进入蓝色界面，选中Enroll MOK->continue->Yes，然后输入密码在重启即可。第一步：使用ctrl+alt+F1进入tty1，然后输入用户名和密码；Nvidia驱动卸载和安装。
2024-11-11 08:50:34
1273
原创 登山第十三梯：GraspNet——无物不抓
实验表明了该方法的优越性。在推理过程中，根据它们的抓握分数将它们分为 10 个等级来优化抓握姿势，并根据它们可以抵抗的扰动来调整每个箱中的抓握，这些扰动是由我们的容忍网络预测的。对于每个给定的距离 dk，对圆柱体内的点进行采样，采样数目固定，圆柱是以候选点为中心，接近向量为轴构建的。按照这样的设置，旋转网络将对齐的点云作为输入，并预测每个角度区间旋转的分类分数和归一化残差，以及相应的抓取宽度和置信度。因此，网络的输出为 M×（2 + V），其中2表示可抓取与否的二进制类别，V表示预定义的接近向量的数量。
2024-11-05 11:56:43
1367
原创 登山第十二梯：多视图点云配准——面面俱到
通过这种方式，所提出的方法可以在平等的基础上对待所有点集：不同的点是相同数量的 GMM 的实现，并且多视图配准被转换为最大似然估计问题。所提出的方法假设不同的匹配良好的数据点是从不同的 GMM 生成的，所有这些数据点都由 （M − 1） 相等的分量组成。对于一个点集中的每个数据点，例如 v4，l ∈ V，一旦从点集中心坐标系旋转并平移到模型中心坐标系，就会在彼此匹配良好的点集中有一个最近的邻域点。方法假设从相同数量的 GMM 中生成不同的数据点，这些 GMM 对所有高斯分量使用相等的协方差和相等的权重。
2024-10-28 11:15:25
1227
原创 登山第十一梯：点云除雪——摘掉琵琶不遮面
文章：Denoising Framework Based on Multiframe Continuous Point Clouds for Autonomous Driving LiDAR in Snowy Weather代码：无日期：2024年1）摘要恶劣的天气条件是自动驾驶面临的长尾问题之一。解决恶劣天气条件下的自动驾驶运行问题是实现高级自动驾驶的重要挑战。为了增强自动驾驶下雪天气下的 LiDAR 感知能力，该文提出了一种多帧连续点云去噪方法。这种方法的核心概念是允许有序物体（例如，地面上的静止物体）
2024-10-23 18:11:40
679
3
原创 点云深度学习系列：4DenoiseNet——考虑时空维度的去雪模型
可靠的点云数据对于感知任务至关重要，例如在机器人和自动驾驶应用中。恶劣天气会导致特定类型的噪声进入到激光测距 （LiDAR） 传感器数据，这会显着降低点云的质量。为了解决这个问题，本文提出了一种新颖的点云恶劣天气去噪深度学习算法（4DenoiseNet）。与文献中的深度学习恶劣天气降噪方法不同，文中的算法利用了时间维度。与之前的工作相比，它在交并集度量方面的性能提高了约 10%，并且计算效率更高。这些结果是在我们新颖的SnowyKITTI数据集上实现的，该数据集有超过 40000 个恶劣天气注释的点云。此外
2024-10-15 11:08:40
1425
原创 ROS第六梯：ROS+VSCode+C++消息发布和订阅
第一步：创建ROS工作空间，并在工作空间下创建名为srr_pkg的功能包，具体步骤参考第二章。增加上述第211-212行和第215-216行代码。③创建订阅话题，话题名称与发布的话题名称一致。第三步：编辑CMakeLists.txt文件。④设计回调函数，用于解析话题中的数据。第四步：运行发布节点和订阅节点。
2024-09-24 11:10:45
391
原创 登山第十梯：地面分割——跨越山河的邻居
在将 Savitsky-Golay 滤波器应用于角度图像的列后，从期望属于 ground 的行开始，并使用广度优先搜索将相似的成分一起标记，然后对角度图进行地面标记。不幸的是， LIDAR 传感器在距离测量中会产生大量异常值，LEONARD 等人（2008 年）的工作中有更详细的讨论，这会影响角度α的计算。该方法快速而简单，并且利用距离图解决了因点云稀疏引起的邻域大小难以确定的问题，并通过类似于坡度的特征，实现了低曲率地面的提取。，其中每个角度都代表连接两点 A 和 B 的线的倾斜角，如上图所示。
2024-09-20 23:11:41
751
原创 ROS第五梯：ROS+VSCode+C++单步调试
（1）program：对应可执行文件的路径，一般在devel/lib/包名/可执行文件名（节点名称）preLaunchTask：跟task.json里面的label对应。第一步：创建一个ROS项目或者打开一个现有的ROS项目。第二步：修改c_cpp_properties.json。第五步，修改对应包的CMakeLists.txt文件。第四步：生成和修改launch.json文件。解决问题：在ROS项目中进行断点调试。第三步：修改task,json。生成launch.json文件。
2024-09-19 20:01:55
791
原创 ROS第四梯：ROS项目中添加自定义类
工作空间中包含一个名为pcl_ros_test的功能包，其中main.cpp是原有项目自带的，接下来以CommonAlg自定义类添加为例进行介绍。第一步，ROS项目结构介绍。
2024-09-19 19:15:04
313
原创 登山第九梯：稀疏点云实例分割——又快又准
从 3D 距离数据中分割对象是移动机器人领域的一个重要主题。在动态环境中导航的机器人需要注意可能发生变化或移动的物体。将激光扫描分割成单个对象通常是执行进一步分析之前的第一个处理步骤。在本文中，我们提出了一种快速方法，该方法将 3D 范围数据分割成不同的对象，在线运行，并且计算需求很小。该方法避免了 3D 点云的显式计算，而是直接在 2D 距离图像上执行所有计算，从而可以对每次扫描进行快速分割。该方法的另一个相关方面是，即使 3D 数据稀疏，也可以分割对象。
2024-09-13 08:22:36
1140
原创 点云深度学习系列：Sam2Point——基于提示的点云分割
据作者了解，其展示的SAM 在 3D 中最真实的实现，这可能作为未来快速 3D 分割研究的起点。通过将 3D 数据表示为多向视频，SAM2POINT 支持各种类型的提示（3D 点、框和掩码），并在各种 3D 场景（3D 对象、室内场景、室外环境和原始稀疏 LiDAR）中表现出强大的泛化能力。考虑到 2D 和 3D 之间的域差距，大多数现有工作将 3D 数据表示为其 2D 对应物作为 SAM 的输入，并将分割结果反向投影到 3D 空间，这种模式转换会带来显著的处理复杂性，从而阻碍高效实施；
2024-09-11 15:48:39
1521
2
原创 ROS第三梯：ROS+C++实现速腾Bag包的解析
解决速腾Bag包利用bag_to_pcd生成的pcd文件字段名称存在问题，多了几个异常的"_"，导致强度属性无法在Intensity中显示。
2024-09-10 18:34:27
380
原创 登山第七梯：激光扫描系统坐标系转换关系——你来我往
总体流程：激光雷达扫描得到的每个点（时间、水平视场角、垂直视场角、扫描距离）——》激光直角坐标系——》惯导坐标系——》当地水平坐标系——》世界坐标系：
2023-11-16 19:41:58
576
近十年的恶劣环境下激光数据质量增强算法相关论文集合
2025-03-12
从2015-2024年的3D点云无序抓取位姿生成大合集
2024-10-23
快速聚类算法函数C++代码
2023-06-06
ArcEngine ppt
2016-08-22
Engine9.3 许可证
2016-08-22
怎么通过ros中的launch文件自动启动conda的虚拟环境？(语言-python)
2024-11-14
pointnet中TNet有实际应用作用吗？
2024-10-29
空间插值之局部多项插值方法
2015-10-24
求大神解读一下，what is 网格gis
2015-10-03
GIS同LBS的结合以及webgis该如何与Lbs结合？
2015-10-01
TA创建的收藏夹 TA关注的收藏夹
TA关注的人