Калибруйте несколько 3-D датчиков лидара, смонтированных на транспортном средстве, чтобы оценить относительное преобразование между ними. Традиционные методы, такие как основанная на маркере регистрация, затрудняют, когда датчики лидара имеют незначительное перекрытие между своими полями зрения (FOVs). Калибровка также становится более трудной как количество увеличений датчиков лидара. Этот пример демонстрирует использование траекторий отдельных датчиков лидара, чтобы оценить преобразование между ними. Этот метод калибровки также известен как зрительно-моторную калибровку.

Преобразуйте неорганизованные облака точек в организованный формат с помощью сферической проекции.

Обучите PointNet ++ нейронная сеть для глубокого обучения выполнять семантическую сегментацию на воздушных данных о лидаре.

Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Извлеките лесные метрики и отдельные древовидные атрибуты из воздушных данных о лидаре.

Реализуйте алгоритм одновременной локализации и картографии (SLAM) на серии 2D сканов лидара с помощью алгоритмов обработки скана и оптимизации графика положения (PGO). Цель этого примера состоит в том, чтобы оценить траекторию робота и создать карту среды.

Демонстрирует, как обработать 3-D данные о лидаре от датчика, смонтированного на транспортном средстве, чтобы прогрессивно создать карту. Такая карта подходит для автоматизированных ведущих рабочих процессов, таких как локализация и навигация. Эти карты могут использоваться, чтобы локализовать транспортное средство в нескольких сантиметрах.