Обучите SqueezeSegV2 сеть семантической сегментации на 3-D организованных данных облака точек лидара.

Бортовые лазерные сканирующие системы имеют возможности для быстрого и прямого получения точных координат 3D. Использование данных лИДАР увеличивается в различных приложениях, таких как топографическое отображение, создание и городов, измерение биомассы и управление стихийными бедствиями. Сегментация является важнейшим процессом в извлечении содержательной информации для таких приложений, как моделирование 3D объектов и реконструкция поверхности.

Сегментируйте и классифицируйте рельеф местности по данным воздушного лидара как землю, создание и растительность. В качестве входных данных в примере используется файл LAZ, захваченный воздушной системой лидара. Во-первых, классифицируйте данные облака точек в файле LAZ на наземные и неземные точки. Затем, далее классифицируйте неземные точки на создания и растительности, основанные на нормалях и функциях кривизны. Этот рисунок содержит обзор процесса.

Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Автоматизируйте обнаружение транспортных средств в облаке точек с помощью предварительно обученной сети обнаружения объектов PointPillars в приложении Lidar Labeler. В этом примере вы используете интерфейс AutomationAlgorithm для автоматизации маркировки в приложении Lidar Labeler.

Обнаружение полос в лидар облаков точек. Можно использовать значения интенсивности, возвращенные из облаков лидарных точек, для обнаружения полос автомобиля , оборудованного датчиком. Можно дополнительно улучшить обнаружение маршрута с помощью алгоритма аппроксимирования кривыми и отслеживания параметров кривой. Обнаружение лидара маршрута позволяет вам создавать сложные рабочие процессы, такие как помощь по хранению маршрута, предупреждение о выезде из маршрута и адаптивный круиз-контроль для автономного управления автомобилем. Тестовое транспортное средство собирает данные лидара с помощью датчика лидара, установленного на его крыше.

Обнаружение, классификация и отслеживание транспортных средств с помощью лидарных данных облака точек, полученных датчиком лидара, установленным на автомобиль , оборудованный датчиком. Лидарные данные, используемые в этом примере, записываются из сценария движения по шоссе. В этом примере данные облака точек сегментируются, чтобы определить класс объектов с помощью сети PointSeg. Совместный вероятностный трекер ассоциации данных (JPDA) с интерактивным фильтром нескольких моделей используется для отслеживания обнаруженных транспортных средств.