点云 [13]

3D稀疏卷积 3D Sparse Convolution

点云数据体素化后,有90%+的Voxel是空的,如果像VoxelNet那样直接使用3D Conv,计算量太大。 左图是稀疏的2D Tensor,深灰色像素都是0,浅灰色是non-zero点。 右图是稀疏的3D Tensor,只有红色的体素才是non-zero。 因此提出了3D稀疏卷积——3D Spa

【重读经典】点云深度学习网络的范式变迁:PointNet, VoxelNet和PointPillars

PointNet 直接以 N×3N \times 3的Raw PointCloud作为输入,每个点使用 (x,

【重读经典】BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework

BEVFusion有两篇论文: 一篇名为《BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework》,发表于2022年。 另一篇名为《BEVFusion: Multi-Task Multi-Sensor Fusion with Unif

【重读经典】BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation

自动驾驶常见传感器包括相机,LiDAR,雷达等传感器。 相机能提供丰富语义,LiDAR提供准确的空间信息,雷达能进行速度估计。 对于多传感器方案,当时的传感器投影存在信息损失的问题: LiDAR->Cam:存在几何损失,像素坐标系中相邻的像素点,在3D空间中可能距离很远。设想一个人站在墙前面,在像素

【重读经典】Lift, Splat, Shoot: Encoding Images From Arbitrary Camera Rigs by Implicitly Unprojecting to 3D

LSS是NVIDIA在ECCV2020上发表的文章。 理解一下论文标题中的Lift, Splat, Shoot三个单词。 这三个单词对应模型中三个核心步骤。 Lift:提升。2D图像特征提升到3D视锥空间特征。 Splat:泼溅。所有相机生成的3D视锥特征,泼洒到统一的BEV平面网格。 Shoot:

Livox格式的rosbag转为PointCloud2格式

参考文章前两篇是CSDN的,又一次让我见识到CSDN的Blog质量之低了。 写这篇文章的目的,是Livox LiDAR发布的格式是CustomMsg,没有办法用rviz直接可视化,必须重新发布为PointCloud2格式或者使用C++通过driver直接解析。 安装 先编译并安装Livox的SDK:

面向自动驾驶的端到端感知技术及发展趋势

摘要: 近年来,随着深度学习技术的发展和硬件算力的不断增强,自动驾驶技术越来越多的应用在各种场景。包括视觉感知、激光雷达感知和多传感器融合感知技术在这些年都得到了迅速发展。本文首先回顾了近年来自动驾驶感知技术的相关工作,然后介绍了相关工作所用到的方法和技术。随后整理并介绍了自动驾驶感知所需的数据集和

激光雷达检测障碍物

LIDAR 感知任务 使用 LIDAR 的感知任务可以分为两种: 低层次感知:检测障碍物,得到障碍物位置、范围和运动状态。 高层次感知:在检测基础上进行障碍物分类或目标识别。 检测到障碍物后,可以得到其位置、方向、尺寸等信息,一般用 bbox 或多边形来描述障碍物。 障碍物检测 Pipeline 如

PCL入门笔记 - PCL 1.13.0 的安装和配置(Ubuntu 20.04 LTS)

介绍了作者是个傻逼这件事。 同时介绍Ubuntu系统下如何安装PCL和VTK,以及它们的测试方法

MATLAB对点云数据(.pcd)的处理

前言 本文内容是针对 .pcd 格式的点云进行处理。 文中模型出自 TU Wien 采集的佛头模型[2]。 相关函数和算法 pcd格式点云文件读取 ptCloud pcshow(ptCloud) Figure 1.1 佛头点云的可视化 对于 pcshow() 函数,默认显示点云为渐变色。且每个点的

PCD转PLY格式 & 点云表面重建

随便写点 最近在学 PCL,关于网上很多使用 PCL 将 PCD 转 PLY 格式的内容,不能说有错,因为文件的 header 确实被正确的修改,也能被读取。 但是存在一个问题:PLY 的 header 中,element face 的数量依然是 0。这是因为那些转换方式不是一个表面重建的过程,PC

点云数据的伞曲率(Umbrella Curvature)

同质邻域 对于点云文件,因为缺乏分析公式的缘故,导致曲率计算比较复杂。 伞曲率使用 Umbrella NN 算法,找到某个点在 8 个方向上的 8 个最近相邻点,这8个点不仅要考虑最近距离,而且还考虑方向,这些点组成一个伞状区域。此区域被称为同质邻域(homogeneous neighborhood

点云数据 (Point Cloud Data)

什么是点云(Point Cloud) 直观地讲,点云文件就是坐标系中大量的点组成的数据集。 除了 PCD 格式以外,PLY,OBJ,X3D 等格式也支持点云数据。 程序如何识别PCD文件