qq625924821的博客

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。

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。

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。

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。

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；

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。

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。

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。

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。

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。

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。

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）

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。

三次样条拟合理论分析、公式推导以及代码验证。

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：

二维和三维空间线段求交参数方程推导，最终可得到一个能够统一表达的表达式。

obj、mtl、以及纹理图片之间的关系讲解。

圆作为几何图形中一种常见的图形，经常被用于描述生活中的各种物体，如隧道截面轮廓、结构柱截面轮廓、树干截面轮廓。因此，如何对圆进行参数方程表达，将是对这些对象建模的关键之处，而如何对三维空间中的圆（任意圆）进行参数方程表达，将是我们这次的主要任务。

判断一个点是否在三角形内部，通常有面积法、内角和法、同侧法、重心法等算法，其中，效率比对耗时情况为：内角和法>面积法>同侧法>重心法

激光扫描系统获取的激光点云反射强度信息多为未经改正的强度信息，受各种因素的影响，无法完全准确地表征目标表面材质特性，制约了后续的道路标线点云分割。因此，研究如何消除各种因素的影响，增强点云强度，已成为应用点云强度数据的首要任务。在这当中，点云强度校正是研究比较多的一个课题。如通过直接基于各类影响因素，如扫描环境中的温度和湿度，传感器输出能量，以及扫描距离和激光入射角等几何因素进行模型建立和分析，实现点云强度校正。

点云聚类在许多点云应用领域（如测绘、移动机器人、自动驾驶以及智能制造）起着至关重要的作用。而现有的点云聚类算法主要可以划分为基于点的聚类和基于体素的聚类；基于点的聚类，主要指基于原始点云的聚类，该方法通常受限于点密度、点数以及类簇大小的不一致性，从而使得其效率较为低下；基于体素的聚类，便是考虑到效率性能而诞生的方案，但该方案受限于体素大小，同时，体素中心表征点的选取，同样影响着最终的聚类结果；考虑到这些问题，作者提出了一种基于原始点云的快速聚类算法，相比现有的同类型算法，效率提升了2倍。