开始使用激光雷达的工具箱

设计、分析和测试激光雷达处理系统

Lidar Toolbox™为设计、分析和测试激光雷达处理系统提供算法、函数和应用程序。您可以执行目标检测和跟踪、语义分割、形状拟合、激光雷达注册和障碍检测。该工具箱提供了工作流程和一个应用程序，用于激光雷达-相机交叉校准。

工具箱可以让您从Velodyne流数据^®并读取Velodyne和IBEO激光雷达传感器记录的数据。激光雷达查看器应用程序可以交互式可视化和分析激光雷达点云。您可以使用机器学习和深度学习算法(如point柱子、SqueezeSegV2和pointnet++)训练检测、语义分割和分类模型。Lidar Labeler App支持手动和半自动标记激光雷达点云，用于训练深度学习和机器学习模型。

“激光雷达工具箱”提供了感知和导航工作流的激光雷达处理参考示例。大多数工具箱算法支持C/ c++代码生成，用于与现有代码、桌面原型和部署集成。

教程

读取、处理和写入激光雷达点云数据
此示例演示如何将点云读入工作空间，选择所需的点集，然后将所选点写入点云文件格式。
从激光雷达数据中提取接地点和非接地点
方法从PCAP文件读取激光雷达数据velodyneFileReader函数。
在点云中匹配并可视化相应的特征
方法来匹配点云之间的对应特征pcmatchfeatures函数并将其可视化pcshowMatchedFeatures函数。
利用特征估计两点云之间的变换
这个例子展示了如何估计两个点云之间的刚性变换。

关于激光雷达处理

介绍激光雷达
激光雷达概念和应用的高级概述。
什么是激光雷达相机标定?
整合激光雷达和相机数据。
在MATLAB中实现点云SLAM
了解点云配准和映射工作流程。
开始使用深度学习的点云
了解如何使用点云进行深度学习。

特色的例子

基于传感器融合的三维激光雷达点云运动补偿

通过融合全球定位系统(GPS)和惯性测量单元(IMU)传感器的数据来补偿自我车辆运动引起的点云畸变。本例的目标是补偿点云数据中的失真，并准确地重建周围环境。

打开生活的脚本

三维激光雷达点云的路缘检测与跟踪

探测和跟踪激光雷达点云中的限制。路缘是一条连接道路和人行道的石头或混凝土线。路沿作为道路可通行面积的分隔线。

打开生活的脚本

基于Complex-YOLO v4网络的激光雷达目标检测

训练Complex-YOLO v4网络在点云上执行目标检测。

打开生活的脚本

Multi-Lidar校准

校准安装在车辆上的多个3-D激光雷达传感器，以估计它们之间的相对转换。当激光雷达传感器的视场(FOVs)之间有微不足道的重叠时，传统的方法，如基于标记的注册是困难的。随着激光雷达传感器数量的增加，校准也变得更加困难。这个例子演示了使用单个激光雷达传感器的轨迹来估计它们之间的转换。这种校准方法也称为手眼校准。

打开生活的脚本