激光SLAM(一):点云基础知识 | 您所在的位置:网站首页 › 激光知识框架 › 激光SLAM(一):点云基础知识 |
点云基础知识
一、激光雷达介绍1. 机械旋转式雷达2. 固态雷达
二、测量模型与点云1. Range-Azimuth-Elevation(RAE)- XYZ2. 点云的Packets表示3. 点云的鸟瞰图表示4.Range Image5.TSDF
三、点云的近邻关系Brute-force KNN栅格、体素KD-tree寻找近邻四叉树与八叉树
一、激光雷达介绍
1. 机械旋转式雷达
特点: 获取360度视野需要转动探头,通常10Hz下运行机械结构复杂,价格昂贵,寿命相对较短(机械旋转的激光雷达的使用寿命一般在几千小时;固态激光雷达的使用寿命可高达10万小时)常用厂商:Velodyne,hesai,速腾,雷神等,常用16线、36线、64线,机器人单线用的较多等 2. 固态雷达特点: 不需要转动探头,通过转动镜片(通过控制反射镜控制探头打到的位置)、相控或者flash来实现转镜(半固态),相控或者flash(全固态)价格便宜,但视野有限,通常60-120°左右点云精度厘米级厂商:Livox花型扫描图案 二、测量模型与点云 1. Range-Azimuth-Elevation(RAE)- XYZ
使用时的一些注意事项,以Livox为例 近处存在盲区,77*70°FOV, 4m以内存在盲区Livox的规格为190m@10%10%是指反射率(激光打到不同物体上,能反射回来的激光占发射出去激光的比例,白纸漫反射90%)反射率的应用:Sparse-Direct Alignment based on Intensity Image中将原始点云的反射率信息投影生成2D图片,使用类似SVO的方案进行定位。 Packets有比价好的压缩比,是很多雷达硬件厂商提供的测量方式,用于通信和存储。 在RAE模型中,只有range是实际测量数据,A和E可以通过雷达参数得到,packets中,同一线的数据共享一个方位角或者同一时刻共享同一个俯仰角。和雷达参数有关,使用不同厂商需要做好对齐。 3. 点云的鸟瞰图表示无人车场景,可以投影到俯视图(Bird-eye View, BEV)中处理,其实就是假设空中有一个相机,把3D点投影到2D图像上,丢弃了点云的高度信息。
I
x
,
I
y
I_x,I_y
Ix,Iy为图像中心,
c
x
,
c
y
c_x,c_y
cx,cy为点云中心,r对应每个像素多少m 将点云转成图片,类似RGBD相机的D 横坐标为azi方位角,纵坐标为点云线数,读数为距离测量值使用:在range image中可以进行聚类,快速分割柱子等,本质上用2D图像像素近邻关系代替空间近邻,计算量更小![]()
这部分主要是为了找到点的最近邻匹配 Brute-force KNN暴力搜索找最近的点,开销大,可以并行 将点云视为未排序的数据进行查找如果点云数组已经排序或者分割成块,可以加速查找![]() ![]() 体素和栅格的使用:通常使用哈希表表达栅格或者体素数据,空的不保存,并定义近邻关系 K-d 树的构建 K-d 树类方法使用二叉树作为基本数据结构,在四叉树中,一个节点有四个子节点,而八叉树则有八个。这正好对应到物理空间中,我们可以把一个矩形按中心切成四等分,或者把一个三维立方体按中心切成八等分。 可以像 K-d 树一样,对一个二维/三维点云建立四叉 树/八叉树模型,然后利用类似的手段来寻找它的最近邻。这种方式由于对空间的分割方法更加均匀,而且四叉树和八叉树也可用于描述像地图这样覆盖整个空间的数据信息。 |
CopyRight 2018-2019 实验室设备网 版权所有 |