Lidar Toolbox 入門

LiDAR 処理システムの設計、解析、テスト

Lidar Toolbox™ には、LiDAR 処理システムの設計や解析、テストを行うためのアルゴリズム、関数、アプリが用意されています。オブジェクトの検出や追跡、セマンティックセグメンテーション、形状当てはめ、LiDAR レジストレーション、障害物検出を行うことができます。ツールボックスには、LiDAR とカメラのクロスキャリブレーション用のワークフローやアプリが用意されています。

このツールボックスを使用して、Velodyne^® LiDAR からのデータのストリーミングや、Velodyne および IBEO LiDAR センサーで記録されたデータの読み取りを行うことができます。LiDAR ビューアーアプリを使用すると、LiDAR 点群を対話的に可視化し、解析することができます。PointPillars、SqueezeSegV2、PointNet++ などの機械学習アルゴリズムや深層学習アルゴリズムを使用して、検出モデル、セマンティックセグメンテーションモデル、および分類モデルの学習を行うことができます。LiDAR ラベラーアプリは、深層学習や機械学習のモデルに学習させるための LiDAR 点群の手動/半自動のラベル付けをサポートしています。

Lidar Toolbox には、知覚とナビゲーションのワークフローでの LiDAR 処理の参考例が用意されています。ツールボックスのほとんどのアルゴリズムでは、既存のコードとの統合やデスクトッププロトタイピング、展開のための C/C++ コード生成がサポートされています。

チュートリアル

LiDAR 点群データの読み取り、処理、書き込み

この例では、点群をワークスペースに読み取り、目的の点集合を選択して、選択された点を点群ファイルの形式に書き込む方法を示します。
LiDAR データからの地面の点と地面以外の点の抽出

関数 velodyneFileReader を使用して、PCAP ファイルから LiDAR データを読み取ります。
点群の対応する特徴の照合と可視化

この例では、点群の間の対応する特徴を関数 pcmatchfeatures を使用して照合し、それらを関数 pcshowMatchedFeatures を使用して可視化する方法を示します。
特徴を使用した 2 つの点群間の変換の推定

この例では、2 つの点群の間の剛体変換を推定する方法を示します。

LiDAR 処理について

LiDAR の概要

LiDAR の概念および用途のおおまかな概要。
LiDAR カメラキャリブレーションとは

LiDAR とカメラのデータを融合する。
MATLAB での点群 SLAM の実装

点群のレジストレーションと地図作成のワークフローを理解する。
Deep Learning with Point Clouds

Learn point cloud processing using deep learning.

注目の例

Determine Safe Landing Area for Aerial Vehicles

Demonstrates how to determine a safe landing area for aerial vehicles, such as helicopters and UAVs, by using aerial lidar data.

ライブスクリプトを開く

Motion Compensation in 3-D Lidar Point Clouds Using Sensor Fusion

Compensate point cloud distortion due to ego vehicle motion by fusing data from Global Positioning System (GPS) and inertial measurement unit (IMU) sensors. The goal of this example is to compensate the distortion in the point cloud data and recreate the surroundings accurately.

ライブスクリプトを開く

Aerial Lidar Semantic Segmentation Using RandLANet Deep Learning

Train a RandLANet deep learning network to perform semantic segmentation on aerial lidar data.

ライブスクリプトを開く

Lidar Object Detection Using Complex-YOLO v4 Network

Detect objects in point clouds using you only look once version 4 (YOLO v4) deep learning network. In this example, you will

ライブスクリプトを開く

Multi-Lidar Calibration

Calibrate multiple 3-D lidar sensors mounted on a vehicle to estimate a relative transformation between them. Traditional methods, such as marker-based registration, are difficult when the lidar sensors have a negligible overlap between their fields of view (FOVs). The calibration also becomes more difficult as the number of lidar sensors increases. This example demonstrates the use of the trajectories of individual lidar sensors to estimate the transformation between them. This method of calibration is also known as hand-eye calibration.

ライブスクリプトを開く