Lidar Toolbox

设计、分析和测试激光雷达处理系统

Lidar Toolbox™ 提供多种算法、函数和 App,可用于设计、分析和测试激光雷达处理系统。您可以执行目标检测和跟踪、语义分割、形状拟合、激光雷达配准和障碍物检测。Lidar Toolbox 支持在计算机视觉与激光雷达处理相结合的工作流中使用激光雷达相机交叉标定。

您可以使用深度学习和机器学习算法(例如 PointSeg、PointPillars 和 SqueezeSegV2)训练自定义检测和语义分割模型。激光雷达标注器支持手动和半自动标注激光雷达点云,用于训练深度学习和机器学习模型。该工具箱支持您流式传输来自 Velodyne® 激光雷达的数据,并读取 Velodyne 和 IBEO 激光雷达传感器记录的数据。

Lidar Toolbox 提供了一些参考示例,说明如何将激光雷达处理用于感知和导航工作流。大多数工具箱算法都支持 C/C++ 代码生成,以便集成到现有代码、开发桌面原型和进行部署。

开始:

激光雷达深度学习

应用深度学习算法对激光雷达数据进行目标检测和语义分割。

激光雷达语义分割

基于激光雷达数据训练、评估和部署语义分割网络,包括 PointSeg 和 SqueezeSegV2。

使用 SqueezeSegV2 进行语义分割。

基于激光雷达点云执行目标检测

检测并拟合激光雷达点云中目标周围的定向边界框。设计、训练并评估稳健的检测器,例如 PointPillars 网络。

激光雷达标注

借助激光雷达标注器,应用内置或自定义算法自动标注激光雷达点云,并评估自动算法的性能。

激光雷达标注器。

激光雷达相机标定

交叉标定激光雷达和相机传感器,以估计为实现激光雷达与相机数据融合所需的激光雷达-相机变换。

激光雷达和相机标定

使用棋盘标定法估计激光雷达和相机之间的刚体变换矩阵。

激光雷达-相机集成

融合激光雷达和相机数据,以将激光雷达点投影到图像上,融合激光雷达点云中的颜色信息,并使用同一位置的相机提供的二维边界框估计激光雷达中的三维边界框。

从图像到激光雷达点云的边界框变换

激光雷达数据处理

应用预处理提高激光雷达点云数据的质量,并从中提取基本信息。

激光雷达处理算法

应用函数和算法进行下采样、中位数滤波、法向量估计、点云变换和点云特征提取。

估计激光雷达点云的法向量。

二维激光雷达处理

使用二维激光雷达扫描估计位置并创建占据地图。

二维激光雷达 SLAM

通过二维激光雷达扫描实现同步定位与地图构建 (SLAM) 算法。使用真实或模拟的传感器读数估计位置并创建二进制或概率占据栅格。

流式传输、读取和写入激光雷达数据

读取和写入激光雷达点云数据,并流式传输来自传感器的实时数据。

Velodyne Lidar 传感器数据采集

从 Velodyne Lidar 传感器采集实时激光雷达点云,在 MATLAB 中可视化点云,然后开发激光雷达传感应用。

MATLAB 激光雷达采集快速入门。

读取和写入激光雷达点云数据

读取不同文件格式的激光雷达数据,包括 PCAP、LAS、ibeo、PCD 和 PLY。将激光雷达数据写入 PLY 和 PCD 文件。

读取 LAS 格式的激光雷达点云数据。

特征提取和配准

使用同步定位与地图构建 (SLAM) 配准激光雷达点云并构建三维地图。

从激光雷达点云提取特征

从激光雷达点云提取快速点特征直方图 (FPFH) 描述符。

从激光雷达点云提取和匹配特征。

激光雷达点云配准

将地面和机载激光雷达数据中的激光雷达点云序列拼接到一起,从而实现三维 SLAM 算法。

从激光雷达点云序列生成地图。