【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=K[R|t]X p=K[R∣t]X

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
小烤箱9 小时前
Autoware Universe 感知模块详解 | 第十一节:检测管线的通用工程模板与拆解思路导引
人工智能·机器人·自动驾驶·autoware·感知算法
容智信息12 小时前
Hyper Agent:企业级Agentic架构怎么实现?
人工智能·信息可视化·自然语言处理·架构·自动驾驶·智慧城市
退休钓鱼选手14 小时前
BehaviorTree行为树-机器人及自动驾驶
人工智能·自动驾驶
yuanmenghao15 小时前
CAN系列 — (3) Radar Object List 在 MCU 内部是如何被拼装、校验并最终被消费的?
单片机·嵌入式硬件·自动驾驶·信息与通信
yuanmenghao16 小时前
CAN系列 — (4) Radar Header 报文:为什么它是 MCU 感知周期的“锚点”
网络·单片机·自动驾驶·信息与通信
小烤箱17 小时前
Autoware Universe 感知模块详解 | 第十节:工程角度的自动驾驶检测管线方法论
人工智能·机器学习·自动驾驶·autoware·感知算法
冻伤小鱼干17 小时前
《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch8(1)
笔记·机器人·自动驾驶
地平线开发者1 天前
征程 6 | cgroup sample
算法·自动驾驶
信雪神话1 天前
KnowVal(arXiv:2512.20299v1):知识图谱增强与价值引导的自动驾驶决策
人工智能·自动驾驶·知识图谱
audyxiao0012 天前
自动驾驶论文分享|TrajVAE:无需强约束即可灵活生成高质量行车轨迹
人工智能·机器学习·自动驾驶·neurocomputing