4. 【自动驾驶与机器人中的SLAM技术】点云中的拟合问题和K近邻

目录

  • [1.在三维体素中定义 NEARBY14,实现 14 格最近邻的查找。](#1.在三维体素中定义 NEARBY14,实现 14 格最近邻的查找。)
  • [2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。](#2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。)
  • [3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比,比如nanoflann,给出精度指标和时间效率指标。](#3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比,比如nanoflann,给出精度指标和时间效率指标。)
  • [4. 也欢迎大家来公众号--"过千帆"读书。](#4. 也欢迎大家来公众号--“过千帆”读书。)

1.在三维体素中定义 NEARBY14,实现 14 格最近邻的查找。

在NearbyType中定义NEARBY14方法,并定义好nearby_grids_即可。

2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。


3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比,比如nanoflann,给出精度指标和时间效率指标。

熟悉了nanoflann库中exemples中的例子,了解了构建kdtree以及K近邻搜索的方法。
nanoflann库构建kdtree需要的点云类型使用的是exemples中头文件utils.h中的定义,使用的K近邻搜索方法为knnSearch()函数。




评估结果:

由上图所示:
①三种方法实现的KNN算法的准确率和召回率均为1,未出现漏检与误检的情况;
②在build tree的耗时方面,自定义的kdtree构建耗时较大(7.9毫秒),而pcl库和nanoflann库在build tree方面耗时水平相当(分别为3.2毫秒和3.3毫秒);
③在KNN检索调用耗时方面,nanoflann的4.27毫秒要优于自定义实现的7.9毫秒,并且远远优于pcl版本的35.3毫秒.

4. 也欢迎大家来公众号--"过千帆"读书。

相关推荐
碧海银沙音频科技研究院16 分钟前
BP寻呼机原理
人工智能·嵌入式硬件
万俟淋曦30 分钟前
[ROS 系列学习教程] 建模与仿真 - 使用 ros_control 控制六轴串联机械臂
人工智能·ai·机器人·ros·机械臂·robotics·具身智能
IT_陈寒38 分钟前
Vue开发者必知:5个让你效率翻倍的隐藏技巧
前端·人工智能·后端
深蓝AI4 小时前
12000 名工程师的高盛,只用四个月就收回了交易员的 AI 编程权限
人工智能·程序员
怕浪猫8 小时前
这个十几个agent 协作项目值得关注
人工智能·面试·github
starzy199010 小时前
深入理解Scala隐式类:扩展方法机制
开发语言·人工智能·scala
深蓝AI11 小时前
为什么 agent 的 demo 都很惊艳,上了生产就不靠谱
人工智能·程序员
数字新视界11 小时前
信创动环监控在机房环境管理中的智能化应用与实践分析
大数据·人工智能·物联网·信息与通信·动环监控系统
岁月宁静11 小时前
DeepSeek Harness 实战与架构解析:让 Agent 从“会聊”到“能交付”
人工智能·python·agent
深蓝AI11 小时前
一个项目五个 AI 同时干活,Claude Code 怎么让它们不互相打架
人工智能·程序员