XiaoMi-AI文件搜索系统
World File Search System雷达数据
Mark 92 改进型 6 火控系统和 APL 的相干雷达数据程序
1985 年，Russell Rzemien、Jay F. Roulette 和 Paul R. Bade 设计了最初的 MK 92 MOD 6 CDC。CDC 记录雷达回波的同相和正交分量，以及其他相关雷达信息。雷达制造商制造了定制雷达接口板，从 FCS 中提取所需的雷达信号。CDC 能够与 CAS 搜索、CAS 跟踪或 STIR 进行交互。CDC 一次只能从其中一个雷达收集数据。最初，数据存储在缓冲区中，然后传输到九轨磁带中。几年后，原来的磁带驱动器被更快、更密集的 8 毫米磁带驱动器取代，从而可以记录更多数据。由于数据传输到磁带的速度不能和从雷达接收数据的速度一样快，因此只能记录一部分数据。收集搜索数据时，记录的数据仅限于操作员指定的范围和方位有限的扇区内。最初，扇区大小不能大于 10° x 15 英里，具体取决于雷达波形。收集轨迹数据时，CDC 会在指定的时间段内连续收集数据，然后将数据下载到磁带并重复该循环。当 CDC 将数据下载到磁带时，不会记录雷达在此期间发送的轨迹数据。多年来，CDC 被用于许多数据收集练习和测试活动。尽管 CAS 搜索收集扇区相对较小，并且收集轨迹数据的时间相对较短，但事实证明这些数据非常有用。困扰 MOD 6 系统的问题之一是，如果没有大型 CAS 搜索收集扇区，则很难进行分析。为了充分描述问题并评估所提出的方法，扇区大小至少为全范围 25°。更大的收集扇区需要设计和建造新的 MOD 6 CDC。Russell Rzemien、Ronald J. Clevering、Brian A. Williamson 和 Daryl I. Tewell 于 1994 年设计并建造了新的 MOD 6 CDC。雷达和 CDC 之间的接口保持不变。新 CDC 利用了
机载激光雷达数据在三维建模中的应用...
非常荣幸能在剑桥学者出版社出版我的作品。虽然部分内容已在相关期刊上发表，但将本书作为一个整体呈现给读者（尤其是没有遥感背景的读者）具有重要价值，可以展示不同学科处理和应用机载激光雷达数据的完整框架。在此，我要感谢我的博士生导师 Bob Haining 教授和 Bernard Devereux 博士，他们让我了解了机载激光雷达领域，并为我打下了坚实的研究基础。我要衷心感谢我的父母，他们毫无保留地支持我的所有重大决定。我还要向我的妻子和双胞胎儿子表示最深切的感谢，他们是我成为更好的学者和人的终生动力。
Mark 92 改进型 6 火控系统和 APL 的相干雷达数据程序
1985 年，Russell Rzemien、Jay F. Roulette 和 Paul R. Bade 设计了最初的 MK 92 MOD 6 CDC。CDC 记录雷达回波的同相和正交分量，以及其他相关雷达信息。雷达制造商构建了定制的雷达接口板，从 FCS 中提取所需的雷达信号。CDC 能够与 CAS 搜索、CAS 跟踪或 STIR 接口。CDC 一次只能从其中一个雷达收集数据。最初，数据存储在缓冲区中，然后传输到九轨磁带上。几年后，原来的磁带驱动器被更快、更密集的 8 毫米磁带驱动器取代，从而可以记录更多的数据。由于数据传输到磁带的速度不能像从雷达接收数据那样快，因此只能记录一部分数据。在收集搜索数据时，仅记录操作员指定的范围和方位有限的扇区内的数据。最初，扇区大小不能比 10 ° x 15 mi 大太多，具体取决于雷达波形。在收集轨迹数据时，CDC 会在指定的时间内连续收集数据，然后将数据下载到磁带并重复该循环。当 CDC 将数据下载到磁带时，不会记录雷达在此期间发送的轨迹数据。多年来，CDC 用于许多数据收集练习和测试活动。虽然用于 CAS 搜索收集的扇区大小相对较小，并且可收集轨迹数据的时间相对较短，但事实证明这些数据非常有用。困扰 MOD 6 系统的问题之一是，如果没有大型 CAS 搜索收集扇区，则很难进行分析。为了充分描述问题并评估所提出的方法，需要一个至少为 25 ° x 全范围的扇区大小。更大的收集扇区需要设计和构建新的 MOD 6 CDC。 Russell Rzemien、Ronald J. Clevering、Brian A. Williamson 和 Daryl I. Tewell 于 1994 年设计并建造了新的 MOD 6 CDC。雷达和 CDC 之间的接口保持不变。新的 CDC 利用
利用机载激光雷达数据自动进行 3D 建筑物建模
2.2 城市物体检测 ................................................................................................................18 2.2.1 形态滤波 ...................................................................................................................... 18 2.2.2 插值滤波 ...................................................................................................................... 19 2.2.3 渐进致密化滤波 ............................................................................................................. 21 2.2.4 基于分段的滤波 ............................................................................................................. 22 2.2.5 建筑物检测 ...................................................................................................................... 23
使用正射影像和激光雷达数据进行基于对象的土地覆盖分类
基于遥感数据的图像分类是自动制图研究的主要领域。随着城市发展的加快，迫切需要更新地理数据库。城市地区土地覆盖类型的自动制图是遥感领域最具挑战性的问题之一。传统的数据库更新费时费力，通常通过人工观察和目视解译进行，为了提高效率和准确性，数据收集和提取方面的新技术越来越必要。本文研究了一种基于正射影像和激光雷达数据（单独和组合）的基于对象的决策树分类。成功提取了四种土地覆盖类型，即森林、水体、空地以及建筑物。基于正射影像的分类准确率为 89.2%，基于激光雷达数据的分类准确率为 88.6%，获得了令人满意的结果。激光雷达数据和正射影像都显示出足够的能力来单独对一般土地覆盖类型进行分类。同时，正射影像和激光雷达数据的组合显示出显著的分类结果，准确率为 95.2%。整合数据的结果显示出非常高的一致性。与单独使用正射影像或激光雷达数据的过程相比，它降低了土地覆盖类型判别的复杂性。此外，还进行了另一种分类算法，支持向量机（SVM）分类。比较
激光雷达数据和街景图像在道路监控中的应用...
在道路环境监测中使用激光扫描数据和街道视图图像的利用。主要重点是道路损坏和排水。还发现了附近的道路场景。Terramodeler和Terrascan软件用于研究。使用五个不同的LiDAR数据集检测道路损坏和排水。可从Jakomäki地区获得基于移动器和直升机的LIDAR数据。在Rauma情况下，从直升机中收集了两个数据集，但点密度不同。此外，对于基于直升机的LiDAR数据，Hyvinkää案中Blomstreet Service也提供了街道视图图像。比较了数据集之间的结果。目的是研究是否可以从具有不同点密度的几个数据集中找到相同的损失。单个树木检测的LIDAR数据是由Korppoo地区的直升机收集的。树的位置还用速度计测量，以获取自动检测的参考数据。树木的高度是从点云手动确定的。将手动测量的高度和位置与自动检测到的高度进行了比较。
使用无人机绘制森林考古遗址地图...
摘要。最近无人机的普及和传感器小型化方面取得的进展使得在微型无人机上搭载小型化 LiDaR 成为可能。这种可能性为更系统地使用激光雷达技术来调查小型森林地区和绘制孤立的考古遗址的地图开辟了道路。本文提供了来自加龙河谷的反馈，其中无人机在三个考古森林遗址获取激光雷达数据，可以讨论当前森林区域的范围和使用的变化。无人机激光雷达数据的质量也与飞机获取的数据进行了比较。概括。最近无人机的普及和传感器小型化方面取得的进展使得在微型无人机上携带小型化激光雷达成为可能。这种可能性为更系统地使用激光雷达技术来勘探小森林地区和绘制孤立的考古遗址的地图开辟了道路。本文介绍了加龙河谷的反馈，该河谷通过无人机在三个考古森林遗址采集激光雷达数据，使讨论当前森林范围和用途的变化成为可能。无人机获取的激光雷达数据的质量也与飞机获取的数据进行了比较。关键词。无人机、LiDaR、3D 测绘、景观考古、聚落动态。关键词。无人机、LiDaR、3D测绘、景观AR
室内定位和4D MMWave成像雷达
状态估计是成功实施机器人系统的关键组成部分，依赖于相机，LIDAR和IMU等传感器。然而，在现实情况下，这些传感器的性能是通过具有挑战性的环境来划分的，例如不利的天气条件和弱光场景。新兴的4D成像雷达技术能够在不利条件下提供强大的感知。尽管有潜力，但对于嘈杂的雷达数据没有明确的几何特征而言，室内环境仍然存在挑战。此外，雷达数据分解和视野（FOV）的差异可能导致不准确的测量结果。虽然先前的研究探索了基于多普勒速度信息的雷达惯性探测仪，但由于FOV和雷达传感器的分辨率差异，估计3D运动的挑战仍然存在。在本文中，我们解决了多普勒速度测量不确定性。我们提出了一种在管理多普勒速度不确定性的同时优化车身速度的方法。基于我们的观察结果，我们提出了双成像雷达配置，以减轻雷达数据中差异的挑战。为了获得高精度3D状态估计，我们引入了一种策略，该策略将雷达数据与消费级IMU传感器无缝整合，并使用固定lag平滑光滑优化。最后，我们使用现实世界3D运动数据评估了我们的方法，并演示了本地化和映射的流任务。
可扩展，高保真和有效的雷达模拟
摘要 - 由于缺乏可用的高分辨率雷达数据集，并且在获取现实世界中的数据方面缺乏可用的高分辨率雷达数据集和巨大的困难，因此摘要模拟已成为雷达算法开发和测试的重要工具。但是，由于现有的雷达仿真工具不容易易于访问，需要详细的网格输入并花费小时才能模拟，模拟雷达数据很具有挑战性。 为了解决这些问题，我们提出了Shenron，这是一个开源框架，它有效地仅使用LIDAR点云和相机图像来模拟高档MIMO雷达数据。 我们表明，使用Shenron，可以生成模拟数据，这些数据可用于与实际数据一样有效地评估算法。 此外，人们可以通过雷达的庞大参数空间进行快速迭代，以找到任何应用程序的最佳参数集，并在雷达感知和传感器融合方面具有很大的帮助研究。模拟雷达数据很具有挑战性。为了解决这些问题，我们提出了Shenron，这是一个开源框架，它有效地仅使用LIDAR点云和相机图像来模拟高档MIMO雷达数据。我们表明，使用Shenron，可以生成模拟数据，这些数据可用于与实际数据一样有效地评估算法。此外，人们可以通过雷达的庞大参数空间进行快速迭代，以找到任何应用程序的最佳参数集，并在雷达感知和传感器融合方面具有很大的帮助研究。
利用机载激光雷达生成无坑冠层高度模型
摘要 从激光雷达数据中得到的冠层高度模型 (CHM) 已被用于提取森林资源清查参数。然而，建模高度的变化会导致数据凹陷，这是一个具有挑战性的问题，因为它们会破坏 CHM 的平滑度，对树木检测和随后的生物物理测量产生负面影响。这些凹陷出现在激光束深入树冠的地方，在产生第一次回波之前，激光束会击中下部树枝或地面。在本研究中，我们开发了一种新算法，该算法通过使用激光雷达点的子集来封闭凹陷，从而生成无凹陷的 CHM 栅格。该算法在高密度激光雷达数据和细化激光雷达数据集上都能稳定运行。评估包括使用无凹陷 CHM 检测单棵树木，并将结果与使用高斯平滑 CHM 的结果进行比较。结果表明，我们从高密度和低密度激光雷达数据中得到的无凹陷 CHM 显著提高了树木检测的准确性。