激光点云处理的学习之路（深蓝学院）

原创 已于 2022-02-12 22:24:03 修改 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#gnu #webview #服务器

于 2022-01-17 20:08:09 首次发布
本文详细介绍如何在Ubuntu18.04环境下为点云处理搭建完整的开发环境，包括安装Anaconda3、配置Docker及扩展VMware虚拟机容量等关键步骤。

一、配置环境

配置要求：GitHub - teamo1996/Point-cloud-process-shenlan-docker-image: docker image for point cloud process lesson in shenlan
环境搭建
 1. Ubuntu18.04 安装 Anaconda3
 https://blog.youkuaiyun.com/qq_15192373/article/details/81091098
 2. Ubuntu 18.04 Anaconda使用
 https://blog.youkuaiyun.com/guolindonggld/article/details/82595473
 3. Anaconda使用总结
 https://www.jianshu.com/p/2f3be7781451
 4. 【点云处理技术之open3d】第一篇：open3d的快速安装、简介、文件的读写和可视化操作
https://blog.youkuaiyun.com/QLeelq/article/details/121787270

5.安装Docket

(1条消息) Ubuntu18.04安装Docker完整教程_@HDS的博客-优快云博客6

6.扩张vm ware虚拟机容量

第九节：VMware虚拟机虚拟磁盘的压缩和扩展_哔哩哔哩_bilibili

点云从入门到精通技术详解100篇-车载激光雷达路面检测(续)
getusushu的博客
12-14 1291
通过其固件程序进行数据解析，由串口统一（图中红色框所示）发送至计算机。双模车载激光雷达测量系统导航定位模块有两种定位模式，其中之一是由。组合导航定位模式且它是系统的主要定位定姿方式。组合导航定位模式采集数据的原理，其中各硬件通过串口相连如下图。转接口（图中黄框所示）接入到。制器（图中绿框所示），同时，产生对应的位姿数据经过。用以传输数据首先设置。（图中紫框所示）接入。
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上）
Jason_____Wang的博客
03-30 794
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 课程链接： 三维点云处理——深蓝学院 正式内容: ##########################
【学习笔记】深蓝学院-三维点云处理
麒麒哈尔的博客
07-09 7779
文章目录PCA & Kernel PCASuface Normal & Filters PCA & Kernel PCA Kernel PCA可以理解为，先通过非线性变换，将点云投影到高维空间中，然后在高维空间中做PCA。但这个非线性变换函数很难找，所以通过数学变换，改写，用核方法表示。使用常用的，多项式的核，高斯的核就可以实现Kernel PCA。 Suface Normal & Filters Surface Normal就是PCA中中最后一维的向量，将点云做PCA，最后
实时车载激光雷达感知的点云深度学习
whaosoft143ai的博客
11-25 1747
又来卷这个了，此次调查了神经网络中使用的计算表示与其性能特征之间的关系，提出了现代深度神经网络中用于3D点云处理的LiDAR点云表示的新计算分类法。使用这种分类法，对不同的方法家族进行结构化分析，论文揭示了在计算效率、内存需求和表示能力方面的共同优势和局限性，最后，论文为基于神经网络的点云处理方法的未来发展提供了一些见解和指导。激光雷达传感器是自动驾驶汽车不可或缺的一部分，因为它们提供了汽车周围环境的精确、高分辨率3D表示。然而，在计算上很难利用来自多个高分辨率激光雷达传感器不断增加的数据量。随着帧速率、点
【基于深度学习方法的激光雷达点云配准系列之GeoTransformer】——数据部分梳理（1）
steptoward的博客
06-12 1709
使用自己的数据进行点云数据配准的训练时， 需要运行GeoTransformer/experiments/geotransformer.kitti.stage5.gse.k3.max.oacl.stage2.sinkhorn/下面的trainval.py，它是调用同目录下的dataset.py来组织数据的。而在这个文件的开头， 就import 了geotransformer.utils.data模块中的三个函数， 因此理解这个模块是非常重要的。
深蓝学院-----3D点云课程第一章笔记
weixin_47343723的博客
08-06 1436
深蓝学院点云学习
点云深蓝学院第一章（中）
Axiaoxiaoshuai的博客
04-28 279
核PCA的核心思想就是我们可以把高维空间的运算转化成低维空间的一个核函数，这个思想叫做Kernel track。也就是说我们在学习SVM支持向量机的时候，也会经常的用到这个核的方法。  应用1：如何去找点云里边每一个点的法向量。 法向量就是如果 我用一个曲面去拟合了数据，那么曲面上任何一个点我都可以找到一个切平面，这个平面的法向量就是我们想要的法向量。 法向量的应用： 平面检测。 （在自动驾驶中，地面的点都是法向量向上的，那么我们只需要找到法向...
精选资源
深蓝三维点云处理ppt
10-22
三维点云处理是计算机视觉和地理信息系统领域中的一个重要...通过深入学习"深蓝三维点云处理"这个PPT，读者不仅可以理解点云处理的基础知识，还能了解到实际应用中的挑战和解决方案，为实际工作或研究提供有力支持。
基于深蓝学院自动驾驶与机器人中的SLAM技术课程的高博开源SLAM代码学习与改进项目_自动驾驶_机器人_激光雷达_视觉SLAM_点云处理_位姿估计_地图构建_路径规划_传感器融.zip
最新发布
07-25
深蓝学院提供的自动驾驶与机器人课程，专注于SLAM技术的学习与实践。该课程可能涵盖了SLAM领域的诸多方面，包括但不限于激光雷达和视觉SLAM技术、点云处理、位姿估计、地图构建、路径规划、传感器融合等。这些技术是...
KD 树原理以及在三维激光点云中的应用
学之知之的博客
05-24 2226
目录 1、介绍 2、原理 2.1、数据结构 2.2、构建KD树 2.3、实例 3、程序示例 4、参考链接 1、介绍 kd-tree简称k维树，是一种空间划分的数据结构。常被用于高维空间中的搜索，比如范围搜索和最近邻搜索。kd-tree是二进制空间划分树的一种特殊情况 。 在激光雷达SLAM中，一般使用的是三维点云。所以，kd-tree的维度是3。 由于三维点云的数目一般都比较大，所以，使用kd-tree来进行检索，可以减少很多的时间消耗，可以确保点云的关联点寻找和配准处于实时的状态
深蓝学院激光slam学习——第三章（激光slam运动畸变去除）习题
一只小菜鸟的博客
04-21 4123
用插值的方法，从而得到每一个小时刻的位姿，从而去除运动畸变。 插值思想介绍 明确几个物理量： （1）start_time : 激光数据开始的时刻。 （2）end_time : endTime = startTime + ros::Duration(laserScanMsg.time_increment * beamNum); 激光数据结束的时刻。 （3）frame_start_pose : 雷达...
点云深蓝学院第一章（下）
Axiaoxiaoshuai的博客
04-28 562
滤波的范围非常的广泛，像噪声去除，降采样，上采样，平滑等等都可以叫做滤波。 上采样是一个比较罕见的东西，上采样就是没有的东西我把他创造出来，就是创造信息，其实是不可以创造信息的，只是说经过已有的信息，怎么去估算未知的地方可能的信息。如上图，就是对激光雷达的图进行了一个上采样，最上边的一层是吧激光雷达的图投影到了图像上，可以看到一些很小的很稀疏的点，但是他没有办法把每一个像素都填满，比如我们在做多...
点云课程学习——点云结构与查找（二）
张飞飞的博客
05-01 611
# octree的具体实现，包括构建和查找 import random import math import numpy as np import time from result_set import KNNResultSet, RadiusNNResultSet # 节点，构成OCtree的基本元素 class Octant: def __init__(self, childre...
基于PointNet / PointNet++深度学习模型的激光点云语义分割
不要仅为成功而努力，要为做一个有价值的人而努力
06-14 3907
本文记录了PointNet/PointNet++点云语义分割深度学习模型应用于电力档段场景的学习实践过程，同时提交了改进后项目代码文件（项目代码逐行注释解析）
点云算法（深度学习）
热门推荐
weixin_41965898的博客
08-29 2万+
点云与深度学习 ​
三维点云数据处理及算法实践
3D视觉工坊
11-23 1630
三维点云是最重要的三维数据表达方式之一，相比于图像而言，点云自身的特性使其更难处理：首先，点云是不规则分布的，比图像的规则网格更难，并且点云更稀疏；其次，点云缺少了图像中的纹理，导致在语义分析方面较为困难。与图像相比，点云有这些糟糕的特性，为什么三维点云在计算机视觉、自动驾驶、机器人等领域仍然得到了越来越多的广泛应用呢？这是因为点云比2D图像多提供了一个维度的信息，即深度信息。世界本来处于三维空间...
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下）
Jason_____Wang的博客
03-31 712
课程笔记-三维点云处理05 ——Deep Learning on Point Cloud （下） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第五章的笔记！ 由于第五章开始进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 课程链接： 三维点云处理——深蓝学院 正式内容: ##########################
课程笔记-三维点云处理06 ——3D Object Detection（上）
Jason_____Wang的博客
04-13 1003
课程笔记-三维点云处理06 ——3D Object Detection（上） 本系列笔记是对深蓝学院所开设的课程：《三维点云处理》的笔记 课程每周更新，我也会努力将每周的知识点进行总结，并且整理成笔记发上来，欢迎各位多多交流&批评指正！！ 本文主要为课程第六章的笔记！ 由于第六章继续进行深度学习领域知识讲解，因此不仅知识量陡增，课程量也加大，因此本章将分为上下两篇笔记进行记录。 本息可主要讲3D物体感知的昂发，介绍基于图像的、基于体素和点云的、以及基于融合的3D物体感知深度学习方法及经典理论 课程链
【点云学习笔记一】三维点云深度学习算法综述
QIN_student的博客
06-09 2394
点云是某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等。点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。
深蓝学院激光SLAM在哪看
07-16
深蓝学院提供了关于激光SLAM（Simultaneous Localization and Mapping，即时定位与地图构建）的系统性教学资源和课程内容，旨在帮助学习者深入理解激光SLAM的核心理论、算法实现及其在机器人领域的应用。 ### 课程介绍 该课程主要围绕**激光SLAM的理论基础与实践操作**展开。课程设计涵盖了从基本原理到高级算法的全面解析，同时也包括了实际开发中的关键技巧与问题解决方法。特别是对于初学者而言，这些内容能够有效降低入门门槛，提升对SLAM技术的理解和掌握能力。 课程中详细讲解了激光SLAM的主要输入信息，例如IMU（惯性测量单元）提供角度信息、里程计提供距离信息以及2D激光雷达作为核心传感器的作用。输出方面，则包括栅格地图和机器人轨迹的生成[^2]。 ### 核心算法与技术要点 #### 帧间匹配方法 激光SLAM中的帧间匹配是关键步骤之一，常用的算法包括： - **PI-ICP**：一种较为常用的匹配算法。 - **CSM**（Correlation Scan Matching）：被Cartographer广泛使用的一种粗匹配方法。 - **梯度优化方法**：如Hector-SLAM采用此方法进行细匹配。 通常，在实际应用中，会将CSM与梯度优化相结合，以达到更好的匹配效果。例如，Cartographer就采用了“CSM+梯度优化”的组合策略[^2]。 #### 回环检测方法 回环检测用于识别机器人是否回到之前访问过的位置，从而修正累积误差。常见的方法包括： - **Scan-to-map**：将当前扫描数据与已有地图进行比对。 - **Map-to-map**：比较不同时间点的地图数据。 - **Branch and Bound**（分支定界法）：通过搜索最优匹配位置来提高精度。 - **Lazy Decision**：延迟决策机制，减少计算开销。 这些方法在不同的应用场景中各有优劣，具体选择需根据任务需求而定[^2]。 ### 激光SLAM的发展历程 激光SLAM经历了从基于滤波的方法到基于图优化方法的演进： 1. **基于滤波的方法** - **EKF-SLAM**（扩展卡尔曼滤波SLAM）：90年代提出，主要用于构建特征地图，但无法满足导航所需的栅格地图需求，目前已较少使用。 - **FastSLAM**（2002–2003年）：引入粒子滤波思想，能够生成较大规模的栅格地图。 - **Gmapping**（2007年）：目前最广泛使用的算法之一，结合了FastSLAM与Scan Match技术，显著提升了proposal分布的准确性，但其性能依赖于里程计的质量。 - **Optimal RBPF**（2010年）：解决了FastSLAM中粒子传播噪声的问题。 2. **基于图优化的方法** - **Karto SLAM**（2010年）：较早采用图优化框架的SLAM系统。 - **Cartographer**（2016年）：当前效果最好的激光SLAM系统之一，支持实时建图与高精度定位。 随着技术的发展，基于图优化的方法逐渐成为主流，而传统的基于滤波的方法则逐步被淘汰[^2]。 ### 数据预处理与环境适应性 在实际应用中，激光SLAM面临诸多挑战，因此数据预处理至关重要。其中包括： - **轮式里程计标定**：分为离线出厂标定和在线实时更新，确保运动估计的准确性。 - **激光雷达运动畸变去除**：理解并消除由于设备运动导致的扫描数据变形。 - **时间同步**：确保不同传感器之间的数据在时间上保持一致，避免因时间戳误差影响整体性能。 这些问题的妥善处理对于提高SLAM系统的鲁棒性和稳定性具有重要意义[^2]。 ### 实践案例与代码示例 在课程的实践中，涉及了多个动手项目，例如激光雷达运动畸变去除的具体实现。以下是一个简化的ROS代码片段，展示了如何获取激光雷达与里程计之间的时间同步变换： ```cpp tf::StampedTransform transform; try { tf_listener.waitForTransform("/odom", "/base_laser", ros::Time(0), ros::Duration(0.5)); tf_listener.lookupTransform("/odom", "/base_laser", ros::Time(0), transform); } catch (tf::TransformException &ex) { ROS_ERROR("%s", ex.what()); } ``` 此外，还包括了对激光点云插值的处理，使得每个激光点都能拥有对应的位姿信息，从而更精确地参与后续的地图构建过程[^3]。 ### 应用场景与未来趋势 激光SLAM广泛应用于移动机器人、自动驾驶、无人机等领域。其优势在于能够在未知环境中实时构建地图并完成自主导航。未来，随着多传感器融合技术的发展，激光SLAM将进一步向高精度、低延迟、强鲁棒性的方向发展。 ---
评论
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
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