XiaoMi-AI文件搜索系统
World File Search System光检测
智能车辆定位的自适应多传感器融合
I。i ntelligent i ntelligent载体（IV）是行业和学术界的热门话题[1]，而本地化是IV的关键组成部分，可提供对其状态的强大和准确估计[2] - [4]。IV配备了许多传感器，例如GPS，惯性测量单元（IMU），光检测和范围（LIDAR）和相机。IMU给出了IV状态的连续性解决方案，其陀螺仪遭受了时间变化的偏见和不确定的声音，以及IMU的位置和方向估计的准确性随着时间的推移而恶化。在[5]中，提出了一个结合深神经网络的Kalman滤波器（KF），以估算死亡折线的噪声参数。在[6]中，使用仅具有IMU数据的神经网络获得了位移分布的先验。然后，将先验信息与扩展的KF（EKF）集成以估算状态。此外，传感器融合用于在文献中提供更准确的结果[7]，[8]。许多GPS/IMU系统已开发用于IV定位。全球位置和速度由GPS提供，同时，从IMU估算了局部位置，方向和速度。GPS/IMU系统可以在许多情况下提供强大的本地化解决方案。但是，GPS在
一种基于布料模拟的简单易用的机载 LiDAR 数据滤波方法
摘要：将点云分离为地面和非地面测量是从机载 LiDAR（光检测和测距）数据生成数字地形模型 (DTM) 的重要步骤。然而，大多数滤波算法需要仔细设置许多复杂参数才能实现高精度。在本文中，我们提出了一种新的滤波方法，该方法只需要几个易于设置的整数和布尔参数。在所提出的方法中，反转 LiDAR 点云，然后使用刚性布料覆盖反转的表面。通过分析布料节点和相应的 LiDAR 点之间的相互作用，可以确定布料节点的位置以生成地面的近似值。最后，通过比较原始 LiDAR 点和生成的表面，可以从 LiDAR 点云中提取地面点。使用 ISPRS（国际摄影测量与遥感学会）工作组 III/3 提供的基准数据集来验证所提出的滤波方法，实验结果平均总误差为 4.58%，与大多数最先进的滤波算法相当。所提出的易于使用的滤波方法可以帮助没有太多经验的用户更轻松地在自己的应用中使用 LiDAR 数据和相关技术。
fhr-lidar-and-radar-sensors-space-saving-headlight- ...
包括高频物理和雷达技术研究所 (FHR) 在内的五个弗劳恩霍夫研究所联合开展了智能大灯项目，旨在创建一种既节省空间又尽可能精巧的传感器安装方法，同时不会影响功能或性能。该项目旨在开发一种用于驾驶辅助系统的集成传感器的大灯，从而能够将一系列传感器元件与自适应照明系统相结合。希望这将提高传感器识别道路上物体的能力，尤其是识别行人等其他道路使用者。例如，激光雷达传感器可用于电子制动辅助或距离控制系统。“我们将雷达和激光雷达传感器集成到已经存在的大灯中，而且，它们是确保光学传感器和光源获得最佳传输并保持清洁的部件，”弗劳恩霍夫 FHR 研究员 Tim Freialdenhoven 说。 LiDAR（光检测和测距）传感器采用一种测量原理进行操作，该原理基于确定发射激光脉冲和接收反射光之间的时间，这种方法可以产生非常精确的距离测量。
走向芯片上的量子光学生物科学实验室
摘要：量子增强传感和计量为满足当今对集成芯片的基本和技术需求铺平了道路，这些芯片超越了经典的功能和测量极限。相位或强度等光学特性的最精确测量需要量子光学测量方案。这些非经典测量利用了光学探测态的纠缠和压缩等现象。与经典光检测方案相比，它们的检测限也较低。利用纠缠光子或压缩光的非经典光源进行生物传感是实现可集成在芯片上的量子光学生物科学实验室的关键。利用这种非经典光源进行单分子传感将是实现最小不确定性和每光子数最高信息的先行者。这需要一种集成的非经典传感方法，将量子光学的微妙非确定性测量技术与通过纳米光子学和纳米等离子体学实现的设备级集成能力相结合。在此背景下，我们回顾了量子传感的基本原理、量子光学探针和协议以及最先进的构建
从机载激光雷达重建曲面建筑物数据...
摘要 —irborneirborneLiDAR（光检测和测距）数据广泛应用于建筑物重建，研究报告称在典型建筑物中取得了成功。然而，弯曲建筑物的重建仍然是一个悬而未决的研究问题。为此，我们提出了一种通过组装和变形几何图元进行弯曲建筑物重建的新框架。输入的 LiDAR 点云首先转换为轮廓，其中识别出各个建筑物。从建筑物轮廓中识别出几何单元（图元）后，我们通过将基本几何图元与这些图元匹配来获得初始模型。为了完善组装模型，我们使用扭曲场来细化模型。具体来说，通过对初始模型进行下采样来构建嵌入式变形（ED）图。然后，通过基于我们的目标函数调整 ED 图中节点参数，将点到模型的位移最小化。所提出的框架在不同城市的各种 LiDAR 收集的几个高度弯曲的建筑物上得到了验证。实验结果以及精度比较证明了我们方法的优势和有效性。新见解归因于一种有效的重建方式。此外，我们证明基于原始的框架将数据存储显着减少到传统网格模型的 10-20%。
激光雷达系统和数据处理技术
使用机载激光雷达系统收集了路易斯安那州屏障岛综合监测 (BICM) 计划的地形测量数据。这项研究是美国地质调查局 (USGS) 和路易斯安那州自然资源部 (LDNR) 的合作成果。术语“激光雷达”（源自“光检测和测距”）是指使用激光脉冲进行距离分辨远程测量的主动光学技术。激光雷达传感器与反射目标之间的距离是根据特征明确的激光脉冲发射和返回探测器之间的时间（即双向传播时间）以及光在传输介质中的速度计算得出的。四种不同的激光雷达系统被用于绘制路易斯安那州沿海地区的地图。每个激光雷达系统的硬件略有不同。因此，每个系统都开发了独特的处理软件。所有系统的共同点是应用和集成高精度差分 GPS 技术和数据处理。本节介绍了每个激光雷达系统和处理技术，以及生成 XYZ 数据的处理步骤。讨论的四个系统是：ATM（全地形测绘仪，NASA）、EAARL（实验性先进机载激光雷达，NASA）、CHARTS（紧凑型水文机载快速全程测量，美国陆军工程兵团）和 Leica ALS50-II（3001，Inc）。
开发具有标准化接口的高保真汽车激光雷达传感器模型
摘要：本文介绍了一种开发独立于工具的高保真基于光线追踪的光检测和测距 (LiDAR) 模型的过程。该虚拟 LiDAR 传感器包括扫描模式的精确建模和 LiDAR 传感器的完整信号处理工具链。它是使用标准化开放仿真接口 (OSI) 3.0.2 和功能模型接口 (FMI) 2.0 开发为功能模型单元 (FMU)。随后，它被集成到两个商业软件虚拟环境框架中以证明其可交换性。此外，通过在时间域和点云级别比较模拟和实际测量数据来验证 LiDAR 传感器模型的准确性。验证结果表明，模拟和测量的时间域信号幅度的平均绝对百分比误差 (MAPE) 为 1.7%。此外，从虚拟目标和真实目标接收的点数 N points 和平均强度 I mean 的 MAPE 分别为 8.5% 和 9.3%。据作者所知，这是迄今为止报告的接收点数 N points 和平均强度 I mean 的最小误差。此外，距离误差 d error 低于实际 LiDAR 传感器的测距精度，对于此用例为 2 cm。此外，将试验场测量结果与商业软件提供的最先进的 LiDAR 模型和提出的 LiDAR 模型进行了比较，以测量
卡内基机载天文台-2 - 克里斯托弗·安德森
卡内基机载观测站 (CAO) 的建立是为了满足宏观测量的需求，以揭示地球生态系统的结构、功能和有机组成。2011 年，我们完成并启动了 CAO-2 下一代机载分类制图系统 (AToMS)，其中包括高保真可见光至短波红外 (VSWIR) 成像光谱仪 (380 – 2510 nm)、双激光波形光检测和测距 (LiDAR) 扫描仪以及高空间分辨率可见光至近红外 (VNIR) 成像光谱仪 (365 – 1052 nm)。在这里，我们描述了如何使用硬件和软件协同对准和处理技术融合来自这些传感器的多个数据流。通过这些数据流，我们定量地证明了精确的数据融合极大地提高了从遥感中获得的生态信息的维度。我们比较了两个截然不同场景的数据维度——斯坦福大学的建筑环境和亚马逊低地热带森林。主成分分析显示，斯坦福案例中有 336 个维度（自由度），亚马逊案例中有 218 个维度。亚马逊案例呈现的遥感数据维度可能是有史以来森林生态系统的最高水平。模拟数据流错位使有效信息内容减少了 48%，凸显了在进行多传感器
使用 ... 从激光雷达数据生成 DTM
摘要 本研究的目的是分析开源 (OS) 软件中的过滤方法是否适用于使用光检测和测距 (LiDAR) 数据生成数字地形模型 (DTM)。DTM 是地面地形的数字表示。它可以通过使用 OS 软件或商业软件对点云进行过滤来生成。OS 软件是计算机软件，用户可以通过互联网免费下载。以槟城亚依淡为研究区域，使用 LiDAR OS 软件（即机载 LiDAR 数据处理和分析工具 (ALDPAT)）处理该地区的 LiDAR 数据。ALDPAT 中的五种不同过滤器分别用于过滤相同的 LiDAR 数据。此外，还使用商业软件 TerraScan 来处理相同的数据，因为该软件能够生成高质量的 DTM，并且通常由马来西亚测绘部 (DSMM) 使用。通过将 ALDPAT 生成的 DTM 与 TerraScan 获得的 DTM 进行比较来评估其质量。使用了两种方法：首先，检测差异并消除包含明显差异的结果。其次，对差异不易检测的结果使用三维 (3D) 偏差法。高程阈值扩展窗口 (ETEW) 过滤器生成的 DTM 与 TerraScan 生成的 DTM 几乎相似，标准偏差为 47 毫米。关键词：DTM、LiDAR、过滤器、Open So
基于 LiDAR 数据生成数字高程模型以进行历史景观分析，以佛兰德斯（比利时）为例
本文讨论了基于高密度机载 LiDAR（光检测和测距）数据生成高精度 DEM（数字高程模型）的方法，该方法用于跨学科景观考古学研究，研究对象为位于比利时根特北部的 Sandy Flanders 地区的定居历史和环境。目标是以 DEM 的形式创建一个详细的地形表面，其中不含人工特征和地形伪影，仅通过实现真实地面点来可视化自然和当前地形。这些特征和伪影的半自动去除是基于地形矢量数据、视觉解释和坡度分析。最终构建了两个 DEM：（1）TIN（不规则三角网络）模型，其固有的大文件格式限制了其在大比例尺下的可用性；（2）网格模型，可用于小、中、大比例尺应用。这两个数据集都用作使用来自历史来源的辅助数据进行解释的图像。其实用性在田野模式和微田地形的案例中得到了说明。从这个 DEM 开始，这项景观历史研究的方法主要是回溯性的，即从当代景观中仍然存在的景观结构和元素开始，然后进入过去。� 2010 年由 Elsevier Ltd. 出版。