介绍: 大疆出品,必属精品。 固态激光雷达里程计的工作现阶段还是比较少的,大疆自己出了固态激光雷达后在LOAM的基础上改进了一个适用于固态激光雷达的里程计,该系统可以用在小视场角和非重复性扫描的雷达上。
近期俄罗斯一位 Github 主开源了一款DIY激光雷达项目,从 PCB 到上位机软件全部开源,激光雷达实物效果图如下所示:
气象雷达是气象中应用非常广泛的一种工具,通常可以用来进行强对流天气大预警和预报。 气象雷达数据通常为二进制编码数据,而且不同波段的雷达数据所采用的编码方式也会有所不同。目前国内常用的雷达有SA/SB,CB多普勒雷达,X波段双偏振多普勒雷达等。除此之外,还有采用了其它数据结构的雷达数据,比如HDF5,netcdf等。
激光雷达(LiDAR)是激光探测及测距系统的简称,目前广泛应用在无人驾驶和扫地机器人等领域。这种广泛的应用一方面得益于激光雷达的性能提升,一方面也得益于其成本的下降。
激光雷达在自动驾驶系统中起着关键作用。利用它,可以准确地对车辆所处环境做3D建模,如高精度地图;也可以准确知道某个3D目标在激光雷达坐标系中的位置、大小及姿态,即:3D目标检测。
允中 发自 凹非寺 量子位 报道 | 公众号 QbitAI 速腾聚创(RoboSense),总部位于深圳的国内激光雷达创业公司,现在联手阿里菜鸟,要将其固态激光雷达推向商用了。 就在阿里菜鸟物流峰会
文章:Lidar with Velocity: Motion Distortion Correction of Point Clouds from Oscillating Scanning Lidars
雷达在反法西斯战争中发挥了重要作用,在英国战场雷达的出现可以说是扭转战局的关键力量。
激光雷达能够帮助机器人快速获取其周围环境信息,且具有探测范围广、精度高、抗干扰能力强等优势,是自动驾驶汽车、扫地机器人、仓储机器人等一系列地面自主移动机器人的重要组成部分。然而,目前工业级激光雷达往往造价高昂,像谷歌、百度造的那些无人车,其激光雷达的造价甚至超过了车辆本身的价值,让普通人望而却步。即使是探测范围仅有 25m 的单线激光雷达,在某宝上也卖到了千元级别。
## URL paper: RangeDet:In Defense of Range View for LiDAR-based 3D Object Detection https://arxiv.org/abs/2103.10039
文章:Do we need scan-matching in radar odometry?
因为明天可以去速腾看激光雷达,这里我就简单的写一下过于雷达的一些技术的问题,不过话说到这里,我看看我手边有什么雷达?
LOAM[1]是Ji Zhang于2014年提出的使用激光雷达完成定位与三维建图的算法,即Lidar Odometry and Mapping。之后许多激光SLAM算法借鉴了LOAM中的一些思想,可以说学习LOAM对学习3D激光SLAM很有帮助。本文对LOAM算法,以及简化版的开源代码A-LOAM进行简单介绍。
本介绍主流的微信雷达效果在Android的实现方式,目前探探,陌陌交友软件都有此功能,接下来就看看姿势吧!
对于市面上的主流激光雷达,主要是用于环境探测、地图构建,按技术路线可分为:三角测距激光雷达,TOF激光雷达。
backgroundColor:背景颜色 circleNum:圆的数量 startColor:开始颜色 endColor:结束颜色 lineColor:线的颜色
用激光雷达进行目标检测是目前自动驾驶汽车用到的主流方法,这种传感器精度高、成本高昂、技术门槛高。如果昂贵的价格能买来安全,那么也能显示其价值。但最近,来自百度研究院、密歇根大学以及伊利诺伊大学香槟分校的研究者提出了一种可以「欺骗」激光雷达点云的对抗方法,对激光雷达的安全性提出了质疑。
用激光雷达进行目标检测是目前汽车用到的主流方法,这种传感器精度高、成本高昂、技术门槛高。如果昂贵的价格能买来安全,那么也能显示其价值。但最近,来自百度研究院、密歇根大学以及伊利诺伊大学香槟分校的研究者提出了一种可以「欺骗」激光雷达点云的对抗方法,对激光雷达的安全性提出了质疑。
提出基于自适应的多分辨率Range Image的动态点移除算法,并使用紧耦合的激光雷达惯导里程计,首先去除移动物体,然后将激光雷达扫描与子图相匹配,构建基于优先移除的面向高动态场景的LIO。
RPLIDAR S1 是 由 SLAMTEC 公司开发的新一代袖珍式低成本 TOF 激光雷达 (TOF LIDAR),它具有每秒 9200 次的激光测距采样能力,并采用了非接触式的 能量和信号传输技术,克服了传统激光雷达的寿命限制,可长时间可靠的稳定 运行。
“ 点云数据共享点云场景图层包后,ArcGIS Pro查看点云场景图层会有被抽稀的效果,通过调整点云符号大小和点密度来控制其显示效果”
作为主控芯片的实时系统,提供多线程编程.小车的每个重要的需要实时的功能都单独作为一个线程.如小车的mpu9250姿态解算出姿态角(Roll、Pitch、Yaw )的过程就单独使用了一个线程(mpu9250),小车的PID控制速度的代码也单独使用了一个线程(speed).每个功能线程(mpu9250,speed...等)都会处理完各自的数据得出结果,并且这些结果在必要的时候提供给主线程(master)使用.也正是因为rt-thread的优先级全抢占式调度使得重要的线程能及时处理完.另外rt-thread提供的finsh/msh在调试期间起到了很大的作用,同时也可以通过远程蓝牙串口控制小车的行为.
好久没有更新SLAM系列的文章了,前面我们讲到了激光SLAM技术。基于激光雷达的同时定位与地图构建技术(simultaneous localization and mapping, SLAM)以其准确测量障碍点的角度与距离、 无须预先布置场景、可融合多传感器、 在光线较差环境工作、 能够生成便于导航的环境地图等优势,成为目前定位方案中不可或缺的新技术。
上图中激光雷达位于圆圈的中心,周围产生的光点就是产生的3D点云。它的中心一般由一辆携带激光雷达的汽车来进行360度的扫描
明敏 羿阁 发自 凹非寺 量子位 | 公众号 QbitAI 没想到,用在航母军舰上的相控阵雷达,现在被拿来防野猪了??? 还能配合着大疆无人机一起用。 雷达一发现野猪,无人机就去驱离。覆盖范围从半径5公里到10公里不等,可同时监控100个目标。 而且雷达只要15kg,单人就能扛走。 好家伙,防个野猪把“迷你”、“移动式”、“相控阵”、“蜂群”这群关键字给凑齐了。 网友看了都忍不住说: 这要给隔壁毛子馋哭了。 不过话说回来,号称是雷达之王的相控阵雷达,咋就被拿去防野猪了? 军用技术防野猪 其实原因很简单
标题:Efficient LiDAR Odometry for Autonomous Driving
激光雷达在自动驾驶中是个必要的传感器,但是激光雷达由于自身数据的稀疏性和信噪比的问题会给运动估计的鲁棒性带来比较大的挑战,如下图,即使是两帧相邻的激光雷达点云,也会由于动态物体和错位带来一个误匹配,这种误匹配对于激光雷达里程计是非常致命的,所以如何发现并且减轻这些不可靠区域的权重是一个值得研究的问题。
此动画通过 CustomPainter 绘制配合 AnimationController 动画控制实现,定义动画控制部分:
文章:FAST-LIO2: Fast Direct LiDAR-inertial Odometry
强对流天气尺度小,突发性强,天气剧烈,破坏性强(图1),是我国春夏季常常发生的“作妖”天气,而南方甚至全年都可能出现,其“作妖”的方式主要有:雷暴大风、冰雹、暴雨、龙卷风。
接着上次,之前说了S波段气象雷达数据的处理及绘图,这次说一下C波段双偏振多普勒雷达数据的处理和绘图。
气象雷达是专门用于大气探测的雷达。它是一种主动式微波大气遥感设备。 气象雷达是气象观测的重要设备,特别是在突发性、灾害性的监测、预报和警报中具有极为重要的作用,是用于小尺度天气系统(如台风和暴雨云系)的主要探测工具之一。 在国内,我们最常见到和使用的气象雷达,是新一代多普勒天气雷达(CINRAD)。我们在气象局之类建筑楼顶上见到的那些球形建筑,大都属于这一种雷达。这种雷达可以探测反射率因子、多普勒径向速度、谱宽等基本气象要素,从而为短临尺度上的天气预报和预警提供数据支撑。特别是雷达反射率数据,因为其与强对流天气系统直接相关,最常被大家使用。 雷达数据在日常业务科研中的应用非常多,比如雷达数据可以用于数值模式同化中,为数值模式提供一个更加准确的初始场;基于雷达反射率数据的雷达短临预报系统可以预报未来2小时内,雷达探测范围内的强对流天气。例如,眼控科技自主研发的基于深度学习的AI对流临近预报系统就是利用雷达反射率数据,对未来两小时之内强对流天气,进行准确的预报。看了一下,下面的这个预报效果确实很好。
文章:Single-Shot is Enough: Panoramic Infrastructure Based Calibration of Multiple Cameras and 3D LiDARs
文章:Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context
本节将介绍自动驾驶汽车的定位技术下,包括:激光雷达定位和视觉定位,以及Apollo框架是如何解决定位问题的。
文章:SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision
最近事情比较多,今晚难得有空,就抽空完成了一个使用Threejs实现地图雷达扫描效果的程序,下面说下代码实现的原理及核心代码,老规矩,先看下效果图
文章:LOAM: Lidar Odometry and Mapping in Real-time
自动驾驶汽车严重依赖输入的训练数据来做出驾驶决策,从逻辑上来说,数据越详细,车辆做出决策就越好,最重要的是更安全。虽然现代相机可以捕捉到非常详细的真实世界特征,但输出结果仍然是2D的,效果并不够理想,因为它限制了我们可以提供给自动驾驶汽车神经网络的信息,这意味着汽车必须学会对3D世界做出猜测。与此同时,相机捕捉信息的能力有限,比如在下雨的时候,相机捕捉到的图像几乎无法辨别,而激光雷达仍然可以捕捉信息。因此,2D相机无法在所有环境下工作,由于自动驾驶汽车是神经网络一个高危应用场景,我们必须确保构建的网络尽可能完美,这一切要从数据说起。理想情况下,我们希望我们的网络将3D数据作为输入,因为它需要对3D世界进行预测,这就是激光雷达的用武之地。
自动驾驶两种路径殊途同归,共同推动高级别自动驾驶加速落地。当前自动驾驶正沿着两种路径向我们驶来:
将激光雷达与基于相机的同步定位和建图(SLAM)相结合是提高整体精度的有效方法,尤其是在大规模室外场景下.低成本激光雷达(如Livox激光雷达)的最新发展使我们能够以更低的预算和更高的性能探索这种SLAM系统.在本文中,我们通过探索Livox激光雷达的独特特征,将Livox激光雷达应用到视觉SLAM(ORBSLAM2)中,提出了CamVox.基于Livox激光雷达的非重复特性,我们提出了一种适用于非受控场景的激光雷达-相机自动标定方法.更长的深度探测范围也有利于更有效的建图.我们在同一个数据集上评估了CamVox与VINS-mono和Loam的比较,以展示其性能.
这是今年的一篇针对高分辨率的固态激光雷达(非重复性扫描型)或者多线的激光雷达和相机在无标定板的环境中自动化外参标定的一篇文章。本文的方法不需要基于巧克力板,只依赖两个传感器采集的环境中的线特征就可以得到像素级精度的标定结果。在理论层面,作者分析了边缘特征提供的约束和边缘特征在场景中的分布对标定精度的影响。同时,作者分析了激光雷达的测量原理,并提出了一种基于点云体素分割和平面拟合的高精度的激光雷达点云边缘特征提取的方法。由于边缘特征在自然场景中很丰富,所以作者在室内和室外多个数据集上进行了实验并取得了不错的效果。
文章:Evaluation and comparison of eight popular Lidar and Visual SLAM algorithms
作者 | Oliver Cameron 翻译 | 大琦 编辑 | 鸽子(rgznai100) 近日,美国当地政府关于特斯拉的一份报告出炉了,报告的内容是对去年一名男子驾驶特斯拉丧生的调查。 虽然这份报告的结果显示,这名男子违规操作,在长达37分钟的时间内,只有25秒钟把手放在方向盘上的,其间被系统警告了7次之多。 但我们仍然失望,无人驾驶的时代,到底什么时候才能真正到来呢? 要回答这个问题,我们绕不开的一个技术是:激光雷达。这是无人驾驶技术中,精准度最高的技术,可特斯拉偏偏不用它。 为什么特斯拉不买账?
文章:Curved-Voxel Clustering for Accurate Segmentation of 3D LiDAR Point Clouds with Real-Time Performance
iPhone 12 发布了,不管网上评价如何,这次还是有很多新技术的。让我们来看看iPhone 12背后涉及的技术吧。
与雷达工作原理类似,激光雷达通过测量激光信号的时间差和相位差来确定距离,但其最大优势在于能够利用多谱勒成像技术,创建出目标清晰的 3D 图像。激光雷达通过发射和接收激光束,分析激光遇到目标对象后的折返时间,计算出到目标对象的相对距离(下图),并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等信息,快速得到出被测目标的三维模型以及线、面、体等各种相关数据,建立三维点云图,绘制出环境地图,以达到环境感知的目的。由于光速非常快,飞行时间可能非常短,因此要求测量设备具备非常高的精度。从效果上来讲,激光雷达维度(线束)越多,测量精度越高,安全性就越高。
光学传感器外方位估计以及同时重建三维(3D)环境的问题在计算机视觉领域中通常被称为SfM(Structure from Motion),在机器人学中被称为SLAM(Simultaneous Localisation and Mapping)[1]。
领取专属 10元无门槛券
手把手带您无忧上云