XiaoMi-AI文件搜索系统
World File Search System雷达的
地面穿透雷达的自主数据获取...
2 Public Works Department, Faculty of Engineering, Cairo University, Giza12613, Egypt amr-m.eldemiry@polyu.edu.hk , muhammad.muddassir@polyu.edu.hk , tarek.zayed@polyu.edu.hk Abstract – In this paper, we propose a ground mobile robot that can perform both surface mapping and subsurface mapping using三维激光雷达同时定位和映射系统（3D激光雷达大满贯系统）和地面穿透雷达（GPR）。机器人由配备3D激光雷达传感器的移动平台和安装在固定机箱上的GPR天线组成。机器人可以自主浏览环境并从表面和地下收集数据。表面映射是通过使用±3 cm范围精度的3D激光镜传感器来观察地形的点云，然后对其进行处理以生成3D表面图。地下映射是通过使用GPR天线将电磁脉冲发射到土壤中并接收反射的，然后对其进行处理以生成3D地下图。然后，我们可以融合表面和地下图以获得地形的全面表示。我们在现实世界中（例如桥梁）演示了机器人的性能。我们表明，我们的机器人可以在表面映射任务和GPR数据采集中实现高精度和效率。
特刊 - 激光雷达的大气应用
使用激光束在1960年由T. Maiman发明激光后不久就会发出大气。在整个大气中，气溶胶的观察和表征随着复杂性的日益激增而普遍，现在经常整合到网络中。2006年发射了云 - 大气圈激光雷达和红外探路者卫星观察（卡利皮），仍在绕地球绕。LIDAR气溶胶观测值现在用于空气质量的预测。多普勒激光雷达，以观察较低或更高大气中的风场。现在，它们已商业可用，并在世界各地广泛部署了风能行业，机场的监视等。LIDAR，用于测量温度，湿度，大气中气态成分的浓度，设想用于太空任务的垂直轮廓，并得益于激光和探测器技术的进展。特刊将试图概述LiDAR技术和科学的最新发展以及观察大气的工业应用。
基于激光雷达的机器人检查电源线的对象识别
摘要：本文使用在自主机器人中实现的光检测和范围传感器提出了一种新技术，用于对高压传输线（LARA）的多模式预测检查。该方法通过使用人工智能技术提供垂直感知并分类传输线组件，从而增强了机器人的功能。基于激光雷达的系统着重分析对象的二维（2D）切片，减少数据量并提高计算效率。对象分类是通过计算2D切片中的绝对差异来创建唯一签名来实现的。当在真实机器人上使用Raspberry Pi上的K-Nearest邻居网络进行实验评估时，该系统在线性运动实验中准确检测到的对象，例如减震器，信号和绝缘体。结果表明，这种方法显着提高了Lara识别电力线组件，达到高分类精度并具有先进自主检查应用的潜力。
海军监视雷达的无人机探测
扩展 SCANTER 6002 功能 SCANTER 6002 雷达是全球海军舰艇的首选雷达，用于对自身和敌方资产进行水面和空中监视。凭借新增的开发功能，SCANTER 6002 雷达现在可提供更多价值和态势感知，同时仍提供所有众所周知的功能，包括 IMO 导航、直升机控制、SAR 操作、水面和低空监视。新解决方案适用于所有类型的海军、海岸警卫队和高价值商用船舶。
海军监视雷达的无人机探测
扩展 SCANTER 6002 功能 SCANTER 6002 雷达是全球海军舰艇的首选雷达，用于对自身和敌方资产进行水面和空中监视。凭借新增的开发功能，SCANTER 6002 雷达现在可提供更多价值和态势感知，同时仍提供所有众所周知的功能，包括 IMO 导航、直升机控制、SAR 操作、水面和低空监视。新解决方案适用于所有类型的海军、海岸警卫队和高价值商用船舶。
雷达场：FMCW雷达的频率空间神经场景表示
为主动和被动的光学感官技术提供了互补的方式。此外，现有的雷达传感器具有很高的成本效益，并且在运行在户外操作的机器人和车辆中。我们介绍了雷达场 - 一种为活动雷达成像器设计的神经场景重建方法。我们的方法将具有隐式神经几何形状和反射模型的显式，物理知识的传感器模型团结起来，以直接合成原始雷达测量并提取场景占用率。所提出的方法不依赖卷渲染。相反，我们在傅立叶频率空间中学习字段，并通过原始雷达数据监督。我们验证了我们在各种室外场景中的有效性，包括带有密集车辆和基础设施的城市场景以及MM波长感应的恶劣天气情况。
郊游，Advantech和Intel提供基于激光雷达的空间智能
LIDAR传感器和相机连接到基于Intel Core处理器的Advantech MIC 770 PC，该PC运行了郊外偏移软件。系统使用一个CPU核心为每个LIDAR流进行LIDAR数据，另外两个CPU内核来集成流，因此两个激光盆仅需要四个核。虽然Lidar使用CPU内核，但Intel SceneScape使用集成的GPU在相机框架上执行视频分析，然后将两者的输出合并在一起创建数字双胞胎。图2显示了系统如何一起工作。
基于激光雷达的3D时间对象通过运动...
摘要：最近，行业对自动驾驶的需求不断增长，引起了对3D对象检测的极大兴趣，从而导致许多出色的3D对象检测算法。但是，大多数3D对象检测器仅专注于一组激光雷达点，而忽略了它们通过利用连续的激光雷达点提供的信息来提高性能的潜在能力。在本文中，我们提出了一种新颖的3D对象检测方法，称为时间运动感知3D对象检测（TM3DOD），该方法利用了时间发光剂数据。在提出的TM3DOD方法中，我们通过使用连续的BEV特征映射生成运动功能来汇总LIDAR VOXER和当前BEV特征。首先，我们提出了时间体素编码器（TVE），该编码器（TVE）通过捕获体素内的点集之间的时间关系来生成体素表示。接下来，我们设计一个运动吸引特征聚合网络（MFANET），该网络旨在通过量化两个连续的BEV特征图之间的时间变化来增强当前的BEV特征表示。通过分析BEV特征图随时间推移的差异和变化，MFANET捕获运动信息并将其集成到当前特征表示中，从而使3D对象更加可靠，更准确地检测。对Nuscenes基准数据集的实验评估表明，与基线方法相比，提出的TM3DOD方法在3D检测性能方面取得了显着改善。此外，我们的方法与最先进的方法达到了可比的性能。
基于稳健深度学习激光雷达的自主太空着陆器姿态估计
在太空着陆操作期间，准确估计航天器的相对姿态对于确保安全成功着陆至关重要。本文提出了一种基于 3D 光检测和测距 (LiDAR) 的 AI 相对导航架构解决方案，用于自主太空着陆。所提出的架构基于混合深度循环卷积神经网络 (DR-CNN)，将卷积神经网络 (CNN) 与基于长短期记忆 (LSTM) 网络的循环神经网络 (RNN) 相结合。获取的 3D LiDAR 数据被转换为多投影图像，并将深度和其他多投影图像输入 DRCNN。该架构的 CNN 模块可以有效地表示特征，而 RNN 模块作为 LSTM，可提供鲁棒的导航运动估计。我们考虑、模拟和实验了各种着陆场景，以评估所提出架构的效率。首先使用 PANGU（行星和小行星自然场景生成实用程序）软件创建基于 LiDAR 的图像数据（范围、坡度和海拔），然后使用这些数据对所提出的解决方案进行评估。建议使用 Gazebo 软件中的仪表化空中机器人进行测试，以模拟在合成但具有代表性的月球地形（3D 数字高程模型）上着陆的场景。最后，使用配备 Velodyne VLP16 3D LiDAR 传感器的真实飞行无人机进行真实实验，以在设计的缩小版月球着陆表面上着陆时生成真实的 3D 场景点云。所有获得的测试结果表明，所提出的架构能够通过良好合理的计算提供良好的 6 自由度 (DoF) 姿势精度。
基于激光雷达的强度感知室外3D对象检测
摘要：基于激光雷达的3D对象检测和定位是自动导航系统的关键组成部分，包括自动驾驶汽车和移动机器人。大多数基于LIDAR的3D对象检测和定位方法主要使用LIDAR点云中的几何或结构特征抽象。但是，由于不利的天气条件或高度散射培养基的存在，这些方法可能会因环境噪声而易受环境噪声。在这项工作中，我们提出了一个强度感知的体素编码器，用于鲁棒3D对象检测。提出的体素编码器生成了一个强度直方图，该强度直方图描述了体素内点强度的分布，并用于增强体素特征集。我们将此强度感知的编码器集成到有效的单级体素检测器中，以进行3D对象检测。使用Kitti数据集获得的实验结果表明，我们的方法相对于3D检测中的CAR对象的最新方法，从鸟类的视图和行人和环体对象获得了可比的结果。此外，我们的模型可以在推理期间达到40.7 fps的检测率，该检测率高于最新方法的检测率，并产生较低的计算成本。