摘要 - 我们提出了一个基于神经场的大规模重构系统,该系统融合了激光雷达和视力数据,以生成几何准确的高质量重建,并捕获光真逼真的纹理。该系统适应了状态的神经辐射场(NERF)表示,还结合了LiDAR数据,该数据在深度和表面正常上增加了强大的几何约束。我们利用轨迹从实时激光雷达大满贯系统来引导结构 - 从运动(SFM)程序进行启动,以显着降低组合时间,并提供对大暴力深度损失至关重要的度量标准。我们使用沉积将系统扩展到在长轨迹上捕获的大规模环境。我们通过来自多台摄像机,LIDAR传感器套件的腿部机器人的数据,在扫描600米的扫描建筑场景时进行手持式机器人,并在船上进行空中机器人,调查多层模拟模拟灾难现场建造的空中机器人。网站:https://ori.ox.ac.uk/labs/drs/nerf-mapping/
摘要智能逻辑应用程序机器人的加载和卸载操作在很大程度上取决于其感知系统。但是,关于LIDAR图及其在复杂环境导航系统中的评估算法的研究很少。在拟议的工作中,使用二进制占用网格方法对LIDAR信息进行了限制,并实施了改进的自适应学习粒子群群优化(ISALPSO)算法,以进行路径预测。该方法利用2D激光雷达映射来确定后勤应用程序中移动机器人最有效的路线。在机器人操作系统(ROS)平台中使用Hector SLAM方法来实现移动机器人实时位置和地图构建,随后将其转换为二进制占用网格。为了显示所提出方法的路径导航发现,使用2D LIDAR映射点数据在MATLAB 2D虚拟环境中创建了导航模型。根据生成的路径的性能,ISALPSO算法适应其参数惯性重量,加速度系数,学习系数,突变因子和群的大小。与其他五个PSO变体相比,ISALPSO算法具有相当短的路径,快速收敛速率,并且基于使用2D Lidar环境的验证,需要更少的时间来计算运输和卸载环境之间的距离。使用与2D激光雷达连接的Quanser硬件验证了Logistic应用程序中移动机器人的路径规划的效率和效率,并使用拟议的算法在环境3中进行操作,以生产最佳路径。
摘要 - 在直接的飞行时间单光子激光雷达中,通常使用photon检测时间来估计深度,而检测的数量则用于估计反射率。本文通过提出新的估计量并通过新的分析来统一先前的结果,从而在反射率估算中使用检测时间在反射率估算中使用。在低流量制度中,死亡时间可以忽略不计,我们检查了反射率估计的cram'errao。当深度未知时,我们表明基于检查的估计器几乎可以执行和最大似然估计器,而且令人惊讶的是,不正确的深度估计可以减少反射率估计的均值误差。我们还检查了信号和背景通量的联合估计,我们提出的基于审查的估计器以及最大似然估计器的表现。在高流量制度中,死亡时间不可忽略,我们将检测时间建模为马尔可夫链,并检查一些利用检测时间的反射率估计值。
摘要本文量化了限制激光扫描匹配精度的误差源,特别是对于基于体素的方法。LIDAR扫描匹配匹配,用于DEAD RECKONING(也称为LiDAR Odometry)和映射,计算最能使一对点云对齐的旋转和翻译。透视错误是从不同角度观看场景时发生的,从每个角度看,不同的表面变得可见或遮挡。要解释在数据中观察到的透视异常,本文模拟了代表城市景观的两个对象的透视误差:一个圆柱形柱和一个双壁cor ner。对于每个对象,我们提供了基于体素的LIDAR扫描匹配的透视误差的分析模型。然后,我们分析当配备激光雷达的车辆越过这些物体时,透视误差是如何产生的。
摘要:由于各种 3D 空间数据应用对数据量和质量的要求很高,需要自动化、高效和可靠的数据采集和预处理方法。使用摄影测量技术以及光检测和测距 (LiDAR) 自动扫描仪是其中很有吸引力的解决方案。然而,测量数据是以无序点云的形式出现的,通常需要转换为基于多边形或多面体表面的高阶 3D 模型,这不是一个简单的过程。该研究提出了一种新开发的算法,用于校正来自机载 LiDAR 对规则 3D 建筑物的测量的 3D 点云数据。所提出的方法假设在应用规则的泊松曲面重建方法之前应用一系列导致 3D 光栅化的操作,即创建和处理对象的 3D 规则网格表示。为了验证重建对象的准确性和质量,以便与获得的 3D 模型进行定量比较,使用了高质量的地面真实模型,其形式是通过摄影测量构建的网格,并使用建筑物建筑平面图手动制作。所呈现的结果表明,应用所提出的算法对结果的质量有积极影响,并且可以与现有的表面重建方法结合使用,以便从 LiDAR 扫描生成更详细的 3D 模型。
该活动在12个月内完成,并在完成后一个月内收到能源生产评估。该广告系列代表了该站点的常规测量活动40%的节省,并且测量数据有助于重点优化其风电场布局并最大化能源收益率。没有升降机,在12个月的测量活动中没有攀爬和零安全事件,Res的11涡轮增压项目使用独立的LIDAR实现了市场标准不确定性水平。
我们与 Rocketmine 合作,开创了新的测绘解决方案。Rocketmine 是一家全球无人机数据服务提供商,为多个行业提供跨大洲的全套交钥匙无人机解决方案,包括采矿、农业、工程、可再生能源、安全和医疗等。这项任务是在加纳/西非赤道丛林环境中勘测 6,500 公顷的区域。这种极端的操作环境为我们的 Trinity F90+ VTOL 无人机解决方案与 Qube 240 LiDAR 有效载荷的组合提供了理想的试验平台。茂密的丛林环境对传统的摄影测量测量技术和 RGB 传感器来说是个问题,因为它们无法穿透地形的各个树层。作为 Quantum-Systems 无人机解决方案在该地区首次积极部署,Rocketmines 团队能够率先使用这项突破性技术并快速收集相关数据以完成任务目标。
本报告是美国政府资助工作的记录。美国政府及其任何机构或任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证,也不承担任何法律责任或义务,也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务,并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
传感器融合是自动驾驶汽车中感知问题的重要解决方案之一,其中主要目的是增强对系统的感知而不会失去实时性能。因此,这是一个权衡问题,通常观察到大多数具有高环境感知的模型无法实时执行。我们的文章与相机和激光雷达数据融合有关,以实现自动驾驶汽车的更好环境感知,考虑到3个主要类别是汽车,骑自行车的人和行人。我们从3D检测器模型中融合了输出,该模型从LiDar中获取了其输入以及从相机中获取其输入的2D检测器的输出,以比单独分别提供更好的感知输出,以确保其能够实时工作。我们使用3D检测器模型(复杂的Yolov3)和2D检测器模型(YOLO-V3)解决了问题,其中我们应用了基于图像的融合方法,该方法可以在本文中详细讨论了LIDAR和摄像机信息之间的融合和相机信息之间的融合。我们使用平均平均精度(MAP)度量,以评估我们的对象检测模型并将所提出的方法与它们进行比较。最后,我们在Kitti数据集以及我们的真实硬件设置上展示了结果,该设置由LIDAR Velodyne 16和Leopard USB摄像机组成。我们使用Python开发了我们的算法,然后在Kitti数据集上验证了它。我们将ROS2与C ++一起使用,以验证从硬件配置获得的数据集上的算法,证明我们提出的方法可以以实时的方式在实际情况下有效地提供良好的结果并有效地工作。
本报告是美国政府资助工作的记录。美国政府及其任何机构或任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证,也不承担任何法律责任或义务,也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务,并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。