之前在实习，写一点自动驾驶感知方向的知识点目录融合感知目的根据融合的阶段和机制，传感器融合可以分为不同类型：不同融合方法对比1.前融合（数据级融合）2.后融合（目标级融合）3.集中式融合4.分布式融合综合对比根据融合层次的不同可以分为1.数据级融合（低级融合）2.特征

2.2.4 法向量估计（NormalEstimation）算法法向量估计的目的是计算每个点的法向量，用于后续任务如曲面重建和特征提取。常用的法向量估计（NormalEstimation）算法如下所示。1.最小二乘法（LeastSquares）算法最小二乘法（LeastSquares）算法通过最小化点云到法向量的误差来估计法向

基于标定板的lidar到车体的外参标定思路1.什么是lidar到车体的外参？在机器人，自动驾驶等领域，要想载体能够自主导航，那我们就得赋予他们和人类似的能力，就是让他们知道，自己是谁，自己在哪，我们怎么才能去到哪的问题。载体上有很多传感器，各个传感器都是从自己的视角来对周围环境

1.1核心技术无人驾驶技术依赖于多种核心技术的协同工作，这些技术共同构建了一个复杂而高效的自动驾驶系统。以下是无人驾驶技术的主要核心技术：1.传感器技术2.人工智能与机器学习3.高精度地图与导航4.车载计算平台与软件系统1.1.1传感器技术传感器技术是无人驾驶技术

论文：https://arxiv.org/pdf/2404.04561v1代码：https://github.com/Rorisis/Co-Occ?tab=readme-ov-fileQ:这篇论文试图解决什么问题？A:这篇论文提出了一个名为Co-Occ的多模态3D语义占据预测框架，旨在解决自动驾驶领域中的3D语义占据预测问题。具体来说，它关注以下几个挑战：

1.pointnetpointnet++：实现基于点云的分类和语义分割。提出了基于点云的特征提取网络。（https://zhuanlan.zhihu.com/p/336496973）2.VoxelNet：第一篇提出将点云转体素，进行3d检测。https://zhuanlan.zhihu.com/p/3524193163.SECOND：用spconv替换3d卷积，减少计算量。https://zhuanlan

关键词：LiCHy系统、机载遥感、数据采集与预处理作者：ludwig1860日期：2024.6.17前言：以无比感谢与热爱的心，感谢林科院庞勇老师组采集的LiCHy数据。开展机载植被遥感的学者，可能很少有不知道林科院LiCHy系统的罢。据我盲目估计，这套系统的数据至少支撑了几十甚至上百项研究。自研

1传感器功能自动驾驶系统通常使用多种传感器来实现对车辆周围环境的全面感知，包括摄像头、雷达、激光雷达（LiDAR）、超声波传感器、惯性测量单元（IMU）和全球定位系统（GPS）。以下是我们对这些传感器做分别介绍：1）摄像头（Camera）主要组件包括镜头、图像传感器（通常是CMOS或CCD传感器）和处

论文精读系列文章下面是SLAM算法与工程实践系列文章的总链接，本人发表这个系列的文章链接均收录于此论文精读系列文章链接下面是专栏地址：论文精读系列文章专栏文章目录论文精读系列文章论文精读系列文章链接论文精读系列文章专栏前言论文精读系列文章——

相机与激光雷达是怎么标定的？一览行业所有主流的标定工具相机与激光雷达的标定是很多任务的基础工作，标定精度决定了下游方案融合的上限，因为许多自动驾驶与机器人公司投入了较大的人力物力不断提升，今天也为大家盘点下常见的Camera-Lidar标定工具箱，建议收藏！加V好友：AutoDriverZone，

https://zhuanlan.zhihu.com/p/610439768?utm_id=0 一、基本定义Eigen::Isometry3dT_imu_to_lidar=Eigen::Isometry3d::Identity()转换矩阵本质是一个4*4的矩阵二、操作方法.translation():无参数，返回当前变换平移部分的向量表示(可修改)，可以索引[]获取各分量.rotation(

​1Laspy库介绍        laspy是一个Python库，主要用于读取、修改和创建LAS点云文件。该库兼容Python2.6+和3.5+，并且可以处理LAS版本1.0-1.3的文件。        在laspy库中，可以使用命令行工具进行文件操作，如格式转换和验证，以及比较LAS文件。此外，laspy还支持分块

​    这两天会持续更新一下Python处理点云数据的教程，大家可以点个关注。今天给大家分享一下点云的经典算法：CSF布料模拟算法。1CSF算法简介        CSF算法，全称为ClothSimulationFiltering，是一种基于欧几里得空间中最小生成树思想的聚类算法，它可以很好地

​    最近一直在搞点云相关的操作，有时候在处理点云数据时需要查看处理后的数据是否满足需求，所以就想着写一套展示点云的代码。之前已经分享过如何可视化点云了，感兴趣的可以自己去看下：【Lidar】基于Python的Open3D库可视化点云数据。但是这个是3维展示，不满足我的项目需

​     因为最近在做点云相关的项目，过程中用到了Python中的Open3D库和Laspy库，所以今天给大家分享一下如何使用Open3D和Laspy这两个库对点云数据进行保存和格式的转换。1Open3D库介绍    Laspy库我到时候会单独介绍，所以这里就不多说了！！！        Open

​1Open3D库介绍        Open3D是一个开源的3D数据处理库，发布于2015年，目前已经更新到0.17.0版本。它基于MIT协议开源许可，使用C++11实现，并经过高度优化，还通过PythonPybinding提供了前端PythonAPI。Open3D为开发者提供了一组精心选择的数据结构和算法，内部实现高度优化

​1Open3D库介绍1.1介绍        Open3D是一个开源的3D数据处理库，发布于2015年，目前已经更新到0.17.0版本。它基于MIT协议开源许可，使用C++11实现，并经过高度优化，还通过PythonPybinding提供了前端PythonAPI。 Open3D为开发者提供了一组精心选择的数据结构和算法，内部实

关键词：定量遥感会议、成都、报告、感悟作者：ludwig1860日期：2023.6.19全国定量遥感会议是遥感领域的国内盛会，每届都能吸引国内的大牛与新锐们参加与报告。其实从今年三月份发会议1号通知的那个时候起，我就重视起来了，毕竟两年一次，是该好好呈现汇报一下过去两年的研究成果了。1.

原创|文BFT机器人01研究背景这篇论文的背景是在自动驾驶和机器人导航等领域，需要实现高精度、高效率的定位和地点识别。然而，传统的基于GPS或视觉的方法存在一些局限性，尤其在城市峡谷等环境中无法提供准确的位置信息。为了解决这一问题，使用3DLiDAR进行定位和地点识别已经成为一

前言  在上一篇文章中，我们概述性地介绍了北汇信息的面向车载通信的TSN网络原型上篇：原型概述。本篇文章将基于该原型，通过在多个场景中验证TSN协议的效果，向读者展示TSN在车载网络中的价值。通过实验验证，我们将深入了解TSN技术在车载网络中的实际应用和性能表现，为读者提供更为深

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包论文##开源代码#SLAMesh:Real-timeLiDARSimultaneousLocalizationandMeshing论文地址：https://arxiv.org/abs/2303.05252作者单位：香港理工大学开源代码：https://gi

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包论文#Real-TimeSimultaneousLocalizationandMappingwith

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包论文#HDPV-SLAM:HybridDepth-augmentedPanoramicVisualSL

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包论文#DAMS-LIO:ADegeneration-AwareandModularSensor-Fus

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容点击领取学习资料→机器人SLAM学习资料大礼包论文#D-LC-Nets:RobustDenoisingandLoopClosingNetworks