【点云】激光点云建图评测

处理工具

  1. Pcap合并软件
bash 复制代码
sudo apt install wireshark-common
  • 合并Pcap文件,路径为数据文件夹下,
bash 复制代码
#mergecap -w <输出的新Pcap> <输入的Pcap>
mergecap -w lidar_output.pcap slice2099-06-01/LIDAR/lidar.pcap slice2099-06-02/LIDAR/lidar.pcap
  1. 可视化软件
    Meshlab、禾赛Pandar View

点云3D重建的评测

1. 平面特征厚度

从点云LAS文件提取地面厚度指标:输入采样点坐标文件,输出各个采样点为中心 X m 2 Xm^2 Xm2最大厚度、90%最大厚度、厚度标准差与RMS等,类似标志牌的点云厚度评测。

2. 控制点精度

  1. 控制点绝对精度评测

3. 世界坐标点云重投影图像帧匹配精度

基本过程描述:某一时刻图像,查询INS位姿,利用Tci计算相机位姿,

点云从世界坐标转换到相机坐标,利用齐次坐标表达,
T c i ∗ T i w ∗ P w T_{ci}*T_{iw}*P_w Tci∗Tiw∗Pw

相机重投影
p = K R ∣ t X p=KR\|tX p=KR∣tX

问题:重投影点云与图像特征距离偏大。

分析:LiDAR与INS的外参或INS与相机的外参误差过大。

验证方法:LiDAR与INS采用连续时间系统标定,与依靠INS定位的标定参数比对;标定Camera-LiDAR外参作真值,检验外参标定结果。

解决:相机与INS的外参Tci中的Z轴加0.3度,平移量z轴减去0.1m,使得某设备某次的建图重投影OK;建议LiDAR与INS的标定方法与相机和INS的标定在原理保持一致。

相关推荐
论文复现现场3 小时前
BEVFormer训练需要几张GPU?2张A100 80GB够不够,显存与云GPU成本分析
pytorch·自动驾驶·a100·bevformer
地平线开发者19 小时前
QAT 实战:从 PyTorch 模型到 J6E 实板精度与延时验证
pytorch·算法·自动驾驶
AiNightVision1 天前
星光级 是什么?——星光级摄像机是什么?0.001Lux 照度门槛与选型真相
人工智能·算法·车载系统·自动驾驶·无人机·视频·智能硬件
Felaim2 天前
【World Model】Drive-WM条件编码-视角分解-扩散与规划全流程详解
自动驾驶·规划·world model·扩散·drive-wm
junwua4 天前
qnx hypervisor 的中文版
linux·运维·服务器·自动驾驶
ZhengEnCi6 天前
ROS2 为啥要拆成二三十个节点?一台小车背后的真实结构
人工智能·机器人·自动驾驶
爱分享的康康6 天前
初创车企自动驾驶数采设备选配指南:参数、接口与分阶段选型思路
经验分享·自动驾驶
Felaim6 天前
【VLA与模仿学习】SparseDrive论文精读:稀疏场景表示的端到端自动驾驶
自动驾驶·规划·端到端·sparsedrive·稀疏表征
loulanyue_6 天前
跳过L3直奔L4,还是L3是绕不过去的生死坎?:何小鹏激辩杨冬生,全球自动驾驶下半场的责任鸿沟与底盘重构——读2026世界智能网联汽车大会巅峰对话
自动驾驶·新能源汽车·智能网联汽车·科技前沿
地平线开发者10 天前
【玩转 征程6 算法工具链:PTQ 工具篇】hb_verifier
算法·自动驾驶