SLAM算法工程师之路:NDT算法详解与C++实现
NDT算法可以通过简单的C++代码实现，利用现有的库（如PCL）简化开发过程。以下是一个基于PCL库的NDT算法实现示例。 结果展示与总结 在Kitti数据集上使用NDT算法后，我们得到了以下结果。展示了算法运行视频，直观地说明了NDT算法在实际场景中的表现。 总结而言，NDT算法是一种高效、实用的激光点云匹配方法。
针对框架中的优化部分，包括降采样方式的改进、地面模型求取方法与ICP算法的初始值。降采样采用网格化或基于kdtree的搜索算法，提高效率。地面模型求取可采用RanSAC方法或其他思想，适用于不同场景。ICP算法的初始值可从NDT算法获取，提升匹配准确性。
最新无监督3D激光点云目标检测领域自适应算法整理
我们探讨了一系列最新的无监督3D激光点云目标检测领域的自适应算法。这些方法旨在解决无监督环境下，模型在不同领域间的适应性问题，以提升目标检测的性能和泛化能力。
最新无监督3D激光点云目标检测的自适应算法研究已经取得了一些显著进展。
通过迁移学习，将半合成A9数据集的域自适应应用于Regensburg Next项目的半合成数据集，实现了3DmAP@0.25的性能提升，其中Car类的得分为949%。这项工作旨在为基于单个LiDAR的检测任务提供领域自适应解决方案。
- **弱监督算法**：LWSIS结合雷达引导的图像弱监督分割，利用点云和3D框作为训练数据，显著降低了2D掩膜标注成本，支持与现有模型结合。- **无监督算法**：OGC利用点云的运动信息进行无监督3D物体分割，通过设计损失函数利用运动约束来监督目标分割。
PANet引入了多尺度特征提取和自适应融合机制，增强了点云特征的表示能力，提高了配准精度。通过引入一种只需一次搜索就能获取点云多尺度局部邻域信息的KNN搜索算法，提高了局部特征的获取效率。此外，PANet采用多分支特征提取网络并行提取不同尺度邻域结构编码的多尺度特征，有助于更全面地表征点云数据。
激光雷达和点云算法汇总
1、点云补全则通过PF-Net等方法生成完整3D点云，以解决扫描或距离导致的局部缺失问题。点云配准的RPM-Net算法则通过学习特征预测变换矩阵，实现不同视角下的点云统一整合。以上技术在实际项目应用中发挥重要作用。
2、Lidar点云数据的获取过程：激光雷达主动发射激光束，测量光线打到物体或表面并反射回雷达接收器所需的时间，快速重复过程中收集数百万个数据点，构建出复杂空间表面的“地图”，即“点云”。在经过预处理、聚类、提取组织后，点云数据可构建出易于人类视觉分辨的数字三维空间，实现“数字孪生”。
3、接下来，利用球坐标系，我们将点 p 的 x， y， z 坐标与角度 α 和 β 结合，这需要激光雷达的校准数据作为关键步骤。校准矩阵和坐标系的旋转有助于我们精确地解读深度图像中的每个单元。
4、- 多程融合：依赖人工判断点云对齐，自动化程度低。总结：激光雷达SLAM的直接法适用于激光里程计多程对齐或回环检测；纯LO算法少用，多采用多传感器融合方案。多传感器融合用于高精地图制作，自动驾驶领域常用高精地图定位而不同时进行定位和建图。基于栅格方案适用于移动机器人，尤其在室内环境。
5、点云的可视化则涉及角度校正和坐标转换。首先，利用激光雷达校准数据获取角度信息，然后通过矩阵运算校正方位角，将点从传感器坐标系转换到车辆坐标系。最终，我们用Open3D工具箱生成车辆坐标系下的3D点云，如图所示，清晰地展示了街道、墙壁、车辆轮廓等细节，直观地展示了激光雷达数据的特征。