Lidar Toolbox

LiDAR-Verarbeitungssysteme entwickeln, analysieren und testen

Die Lidar Toolbox™ verfügt über Algorithmen, Funktionen und Anwendungen für Entwurf, Analyse und Test der Lidar-Verarbeitungssysteme. Es können Objekterkennung und -verfolgung, semantische Segmentierung, Formanpassung, LiDAR-Registrierung und Hinderniserkennung durchgeführt werden. Die Lidar Toolbox unterstützt die LiDAR-Kamera-Kreuzkalibrierung für Workflows, die Computer Vision und LiDAR-Verarbeitung kombinieren.

Es können benutzerdefinierte Erkennungs- und semantische Segmentierungsmodelle unter Verwendung von Algorithmen für Deep Learning and Machine Learning, wie PointSeg, PointPillars und SqueezeSegV2, trainiert werden. Die Lidar Labeler App unterstützt die manuelle und halbautomatische Beschriftung von LiDAR-Punktwolken für das Training von Deep-Learning- und Machine-Learning-Modellen. Mit der Toolbox können Daten von Velodyne®-LiDARs gestreamt und von Velodyne- und IBEO-LiDAR-Sensoren aufgezeichnete Daten gelesen werden.

Die Lidar Toolbox enthält Referenzbeispiele, die den Einsatz der LiDAR-Verarbeitung für Wahrnehmungs- und Navigations-Workflows veranschaulichen. Die meisten Toolbox-Algorithmen unterstützen die Codegenerierung in C/C++ für die Integration in bestehenden Code, Desktop-Prototyping und Bereitstellung.

Jetzt beginnen:

Deep Learning für LiDAR

Anwenden von Deep-Learning-Algorithmen zur Objekterkennung und semantischen Segmentierung auf LiDAR-Daten.

LiDAR – Semantische Segmentierung

Trainieren, Bewerten und Bereitstellen von semantischen Segmentierungsnetzwerken, einschließlich PointSeg und SqueezeSegV2, auf LiDAR-Daten.

Semantische Segmentierung mit SqueezeSegV2.

Objekterkennung auf LiDAR-Punktwolken

Erkennen und Anpassen von ausgerichteten Begrenzungsrahmen um Objekte in LiDAR-Punktwolken. Entwerfen, Trainieren und Auswerten fehlerresistenter Detektoren wie z.B. PointPillars-Netze.

LiDAR-Kennzeichnung

Anwenden von eingebauten oder benutzerdefinierten Algorithmen zur Automatisierung der LiDAR-Punktwolkenbeschriftung mit der Lidar Labeler App und Auswerten der Leistung der Automatisierungsalgorithmen.

Lidar Labeler App.

Kalbrieren der LiDAR-Kamera

Kreuzkalibrieren von LiDAR- und Kamerasensoren zur Abschätzung von LiDAR-Kamera-Transformationen für die Verschmelzung von Kamera- und LiDAR-Daten.

LiDAR und Kamerakalibrierung

Schätzen der starren Transformationsmatrix zwischen einem LiDAR und einer Kamera mit der Schachbrett-Kalibrierungsmethode.

LiDAR-Kamera-Integrierung

Fusionieren von LiDAR- und Kameradaten zum Projizieren von LiDAR-Punkten auf Bilder, Fusionieren von Farbinformationen in LiDAR-Punktwolken und Schätzen von 3D-Begrenzungsrahmen im LiDAR mit 2D-Begrenzungsrahmen einer gemeinsam platzierten Kamera.

Begrenzungsrahmen-Transformation von Bild- zu LiDAR-Punktwolken.

LiDAR-Datenverarbeitung

Anwenden der Vorverarbeitung zur Verbesserung der Qualität von LiDAR-Punktwolkendaten und Extrahieren grundlegender Informationen daraus.

LiDAR-Verarbeitungsalgorithmen

Anwenden von Funktionen und Algorithmen für Downsampling, Medianfilterung, Normalschätzung, Transformation von Punktwolken und Extrahieren von Punktwolkenmerkmalen.

Schätzen von Normwerten für LiDAR-Punktwolken

2D-LiDAR-Verarbeitung

Schätzen von Positionen und Erstellen von Belegungsplänen mit 2D-LiDAR-Scans.

2D-LiDAR-SLAM

Implementieren von Algorithmen zur simultanen Lokalisierung und Kartierung (SLAM) aus 2D-LiDAR-Scans. Schätzen von Positionen und Erstellen von binären oder wahrscheinlichkeitstheoretischen Belegungsgittern mit realen oder simulierten Sensormesswerten.

Streamen, Lesen und Schreiben von LiDAR-Daten

Lesen und Schreiben von LiDAR-Punktwolkendaten und Streamen der Live-Daten von Sensoren.

Erfassen von Velodyne-LiDAR-Sensoren

Erfassen von Live-LiDAR-Punktwolken von Velodyne-LiDAR-Sensoren, deren Visualisierung in MATLAB und Entwicklung von LiDAR-Sensoranwendungen.

Erste Schritte mit der LiDAR-Erfassung in MATLAB.

Lesen und Schreiben von LiDAR-Punktwolkendaten

Lesen von LiDAR-Daten in verschiedenen Dateiformaten, einschließlich PCAP, LAS, ibeo, PCD und PLY. Schreiben von LiDAR-Daten in PLY- und PCD-Dateien.

Lesen von LiDAR-Punktwolkendaten im LAS-Format.

Merkmalsextraktion und Registrierung

Registrieren von LiDAR-Punktwolken und Erstellen von 3D-Karten mit gleichzeitiger Ortung und Kartenstellung (SLAM).

Merkmalsextraktion aus LiDAR-Punktwolken

Extrahieren von schnellen Deskriptoren für Punktmerkmalshistogramme (FPFH) aus LiDAR-Punktwolken.

Extrahieren und Anpassen von Merkmalen aus LiDAR-Punktwolken.

LiDAR-Punktwolkenregistrierung:

Implementieren der 3D-SLAM-Algorithmen durch Zusammenfügen von LiDAR-Punktwolkensequenzen aus Boden- und Luft-LiDAR-Daten.

Kartenerstellung aus einer LiDAR-Punktwolkensequenz.