ICRA 2021|用于LiDAR里程计和建图的Poisson表面重建

最新推荐文章于 2024-10-17 20:09:35 发布
最新推荐文章于 2024-10-17 20:09:35 发布
阅读量383 收藏
点赞数
分类专栏： 3D视觉从入门到精通 文章标签： 算法 计算机视觉 机器学习 人工智能 编程语言
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。
本文链接：https://blog.csdn.net/Yong_Qi2015/article/details/118097714
版权
本文提出了一种基于泊松表面重建的LiDAR里程计和建图新方法，通过三角形网格提高建图质量和车辆姿态估计的准确性。与传统的surfels和TSDF方法相比，三角形网格表达提供了更详细和精确的3D地图，且内存效率更高。通过实验评估，该方法在几何精度和内存消耗上表现出优势，适合于自动驾驶系统的定位和建图需求。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Poisson Surface Reconstruction for LiDAR Odometry and Mapping

作者：Ignacio Vizzo, Xieyuanli Chen, Nived Chebrolu, Jens Behley, and Cyrill Stachniss

联系方式：在公众号[3D视觉工坊]的后台回复[LiDAR里程计]，即可获得联系方式。

摘要：准确定位和环境建图是大多数自动驾驶系统的基本组成部分。在本文中，我们提出了一种用于 LiDAR 里程计和建图的新方法，重点是提高建图质量，同时估计车辆的姿态。我们的方法执行frame-to-mesh ICP，但与其他 SLAM 方法相比，我们将地图表示为通过泊松表面重建计算的三角形网格。我们在过去的一系列扫描中以滑动窗口的方式进行表面重建。通过这种方式，我们获得了非常适合配准的准确局部地图，也可以组合成全局地图。这使我们能够构建一个三维地图，比依赖于截断的有符号距离函数或曲面的常见建图方法显示更多的几何细节。我们从数量

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文笔记_S2D.69_用于 LiDAR 里程计和建图的泊松曲面重建
惊鸿一博
06-09 828
基本情况 题目: Poisson Surface Reconstruction for LiDAR Odometry and Mapping 出处:ICRA_2021 Ignacio Vizzo, Xieyuanli Chen, Nived Chebrolu, Jens Behley, Cyrill Stachniss，the University of Bonn, Germany Github: https://github.com/PRBonn/puma 论文：http://www..
ICRA | 基于 LiDAR 里程计和建图的 Poisson 表面重建 编程
DevRevolt的博客
08-13 120
通过 LiDAR 里程计和建图算法，我们成功地从原始的稀疏点云生成了连续的三维地图，并且利用 Poisson 表面重建方法获得了平滑的表面模型。本文介绍了基于 LiDAR 的里程计和建图算法，并结合 Poisson 表面重建技术生成高质量的三维重建结果。通过提供相关的源代码，读者可以深入理解算法的原理和实现细节，也可以基于此代码进行进一步的研究和开发。我们将提供相关的源代码，并逐步解释算法的原理和实现细节。以上是关于 LiDAR 里程计和建图的 Poisson 表面重建编程的文章，希望本文对您有所帮助。
puma:用于LiDAR里程表和制图的Poisson表面重建
04-01
用于LiDAR里程表和制图的Poisson表面重建 冲浪板 贸易发展基金 我们的方法 表：KITTI里程表基准的序列00的不同映射技术之间的定性比较。 该库实施了我们的论文描述的算法。 这是一个LiDAR Odometry和Mapping管道，使用算法将地图构建为三角形网格。 我们提出了一种新颖的frame-to-mesh配准算法，其中我们通过估算LiDAR的6个自由度来计算车辆的姿态。 为了实现这一点，我们通过计算输入扫描中每个点与地图网格之间的射线与三角形的交点，将每次扫描投影到三角形网格。 我们使用库的加速了这种光线投射技术。 我们研究的主要应用旨在于自动驾驶汽车。 目录 运行代码 注意：所有命令均假定您正在此共享工作空间上工作，因此，请先运行cd apps/然后再运行任何命令。 要求：安装docker 如果您打算使用我们的容器，则只需安装和 。 如果您不想使用dock
经典文献阅读之--用于LiDAR里程计和建图的Poisson表面重建
lovely_yoshino的博客
07-16 3137
准确定位和环境建图是大多数自动驾驶系统的基本组成部分。在本文中，我们提出了一种用于 LiDAR 里程计和建图的新方法，重点是提高建图质量，同时估计车辆的姿态。我们的方法执行frame-to-mesh ICP，但与其他 SLAM 方法相比，我们将地图表示为通过泊松表面重建计算的三角形网格。我们在过去的一系列扫描中以滑动窗口的方式进行表面重建。通过这种方式，我们获得了非常适合配准的准确局部地图，也可以组合成全局地图。
《论文阅读》Poisson Surface Reconstruction for LiDAR Odometry and Mapping
未知丶的博客
07-22 970
留个笔记自用 Poisson Surface Reconstruction for LiDAR Odometry and Mapping 做什么 Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。 简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法 用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也
探索未来之路：Poisson表面重建在LiDAR里程计与建图中的应用
gitblog_00943的博客
08-26 432
探索未来之路：Poisson表面重建在LiDAR里程计与建图中的应用 puma项目地址:https://gitcode.com/gh_mirrors/puma/puma 当自动驾驶车辆穿梭于复杂环境之中，精准的定位和环境地图构建变得至关重要。为此，我们向您隆重推介一款基于Poisson表面重建技术的开源项目——PUMA（Poisson Surface Reconstruction ...
ICRA中的LiDAR里程计和建图：基于Poisson表面重建的编程实现
TechWhizKid的博客
09-08 66
通过将点云数据转化为稀疏矩阵，并求解Poisson方程，可以从稀疏的点云数据中重建出光滑的三维表面。通过适当调整最近邻点的数量，可以控制重建表面的细节和光滑程度。其中，Poisson表面重建是一种常用的方法，用于从稀疏的点云数据重建出光滑的三维表面。的函数，该函数接受点云数据和最近邻点的数量作为输入，并返回重建的表面。最后，通过求解Poisson方程来获得重建的表面。Poisson表面重建算法基于体积重建的思想，通过将点云数据转化为体素网格，并通过求解Poisson方程来重建出光滑的表面。
ICRA2021| Intensity-SLAM：基于强度辅助的大规模环境定位和建图
3D视觉工坊
06-04 660
论文、代码地址：在公众号「3D视觉工坊」，后台回复「Intensity-SLAM」，即可直接下载。摘要：SLAM是一项基于传感器感知（如LiDAR和相机）可用于估计机器人位置并重建环境的任...
用于机器人定位和建图的增强型 LiDAR-惯性 SLAM 系统
3D视觉工坊
01-13 478
点击进入—>3D视觉工坊学习交流群笔者简述：粒子滤波也是一个十分经典的算法，它与卡尔曼滤波的不同之处在于卡尔曼滤波假设概率分布是高斯分布，然后在计算后验概率（pdf）时，利用正态分布的性质，可以计算出来；而粒子滤波的后验概率分布是通过蒙特卡洛方法采样得到的。蒙特卡洛方法很清楚的一点是采样的粒子越多，概率分布越准确，但是计算速度会下降。也就是说如何分布你的有限个数的采样粒子来得到更为准确的后验...
Large-Scale Volumetric Scene Reconstruction using LiDAR
qq_40268190的博客
10-05 583
文章目录位姿估计传感器模型和数据融合数据管理和mesh生成建图实验   离线的激光大规模三维重建算法，使用TSDF来对环境进行表示，在GPU和内存之间交换数据以降低显存的需求。 位姿估计   使用point to TSDF的ICP来进行位姿估计，由于这种ICP的收敛区域很小，所以采用反投影模型的方式，估计位姿的初值。 传感器模型和数据融合   采用圆柱体模型将激光数据投影到二维平面上，对点进行扩张来填充空缺的点。TSDF的融合方式和传统方法相同。 数据管理和mesh生成   采用八叉树在主机管理数据，只将
PENet_ICRA2021：ICRA 2021“迈向精确高效的图像引导深度完成”
03-03
PENet：精确高效的深度补全 此回购是我们论文的PyTorch实现，该论文出现在ICRA2021上的，由浙江大学的Mu Hu，王淑玲，李斌，宁世宇，李凡和上海。 为任何与代码相关的问题创建一个新问题。 有任何与纸张相关的问题，请随时通过指导我。 结果 提交时，建议的完整模型在在线排行榜中排名第一。 它比大多数排名靠前的方法要快得多。 ENet和PENet均可在2x11G GPU上进行全面培训。 我们的网络仅通过KITTI数据集进行训练，而不是在Cityscapes或其他类似的驾驶数据集（合成或真实）上进行预训练。 方法 坚强的两支主干 重温流行的两分支架构 两分支主干旨在充分利用各自分支中的以颜色为主和以深度为主的信息，并使两种方式有效融合。 注意，输入到深度主导分支的是从颜色主导分支获得的深度预测结果，而不是像和的指导图。 几何卷积层 为了对3D几何信息进行编码，它只是通过
多源融合-Lidar部分程序记录2021/3/2
路边的石头
03-03 283
KERAS trained weight _lidar_weights = "logs/weights/TRENTO_lidar_weights-0.8517.h5" _hsi_weights = "logs/weights/TRENTO_hsi_weights-0.9535.h5" _full_weights = "logs/weights/Hou_weights_finetune-0.8798.h5" save weights _weights_h = "logs/weights/TRENTO_hsi
强推！首个全面涵盖LiDAR里程计算法的综述（二）：多激光与多传感器融合激光里程计综述
最新发布
techflowai的博客
10-17 1080
拆分成三个部分为大家详细解读，分别为：LiDAR-Only与LIO算法综述（一），多激光与多传感器融合激光里程计综述（二），激光里程计尚存挑战，公开数据集与评估方法综述（三）。本篇文章为第二讲：多激光与多传感器融合激光里程计综述LIO算法通过实际工程中的一些适配小技巧以及强大的调参技术，定位的精度和鲁棒性已经达到了商业化水平。然而，。为了应对上述单激光雷达系统面临的挑战，。。M-LOAM假设所有激光雷达都同步，涉及从每个激光雷达中提取特征、数据聚合和智能体状态估计。
PCL从理解到应用【10】 三维点云 | 表面重建 | 泊松Poisson
黎国溥
08-07 4752
在PCL中，用于处理点云表面的主要方法包括：泊松表面重建、贪心投影三角化、Alpha Shapes等。本文介绍泊松表面重建，包括原理分析，思路流程，两个实践应用和代码。点云是三维空间中的一组离散点，这些点没有连接信息，因此需要重建一个连续的表面。泊松表面重建方法基于泊松方程，通过对点云中的法线进行全局最优化来生成表面。它将表面重建问题转化为求解泊松方程的过程，结果是一个光滑的表面。
LI-Init源码学习笔记
qq_37423490的博客
05-14 581
LI-Init源码学习笔记
经典文献阅读之--MAD-ICP(仅由六个参数控制的强大且信息丰富的LiDAR里程计)
lovely_yoshino的博客
05-13 6221
激光雷达里程计（LiDAR Odometry）是从连续激光扫描中估计传感器自身运动的任务。这个问题已经得到了研究社区二十多年的关注，如今有许多有效的解决方案可供使用。这些系统中的大多数隐含地依赖于对操作环境、所使用的传感器和运动模式的假设。当这些假设被违反时，许多众所周知的系统往往会表现不佳。本文提出了一种激光雷达里程计系统，能够克服这些限制，在不同的操作条件下良好运行，同时实现与特定领域方法相当的性能。
探索MAD-ICP：稳健而智能的LiDAR里程计解决方案
gitblog_00009的博客
06-14 399
???? 探索MAD-ICP：稳健而智能的LiDAR里程计解决方案 mad-icpMinimal, robust, accurate and real-time LiDAR odometry 项目地址:https://gitcode.com/gh_mirrors/ma/mad-icp 在自动驾驶和机器人领域中，激光雷达（LiDAR）里程计是关键技术之一，它能够提供精准的位置追踪与环境感知信息。今天，我...
点云地图三维表面重建
三维点云技术探索
12-01 806
通过对点云进行表面三角化mesh重建，可以使得点云地图更加轻量化，同时针对地面（红色）和非地面（蓝色）使用不同采样率的三角面片顶点，可以进一步减少地图数据量。
ICRA 2021自动驾驶相关论文汇总 | 科研党看过来，全文干货
3D视觉工坊
07-01 5460
本文来源：知乎作者：wanghy，编辑：智车科技/导读/ICRA（International Conference on Robotics and Automation）是IEEE机...
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

打赏作者

3Ｄ视觉工坊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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