Lidar Toolbox

Entwurf, Analyse und Testen von LiDAR-Verarbeitungssystemen

Haben Sie Fragen? Vertrieb kontaktieren.

Die Lidar Toolbox enthält Algorithmen, Funktionen und Anwendungen für den Entwurf, die Analyse und das Testen von Lidar-Verarbeitungssystemen. Sie dient zur Objekterkennung und -verfolgung, semantischen Segmentierung, LiDAR-Registrierung, Hinderniserkennung und zum Shape Fitting. Die Toolbox bietet Workflows und eine App zur Kreuzkalibrierung von Lidar- und Kamerasensoren.

Mit der Toolbox können Sie Daten von Velodyne^® und HokuyoTM-LiDAR-Geräten übertragen und Daten lesen, die von Sensoren wie Velodyne-, Ouster- und Hesai^®-LiDAR-Geräten aufgezeichnet wurden. Die Point Cloud Analyzer App ermöglicht Ihnen die interaktive Visualisierung und Analyse von LiDAR-Punktwolken. Mithilfe von Algorithmen aus den Bereichen Machine Learning und Deep Learning wie PointPillars, SqueezeSegV2 und PointNet++ lassen sich Modelle zur Erfassung, semantischen Segmentierung und Klassifizierung trainieren. Die Lidar Labeler App unterstützt das manuelle und halbautomatische Labeling von LiDAR-Punktwolken zum Trainieren von Deep-Learning- und Machine-Learning-Modellen.

von Velodyne- und IBEO-LiDAR-Sensoren aufgezeichnete Daten für Wahrnehmungs- und Navigationsworkflows. Die meisten Toolbox-Algorithmen unterstützen die Generierung von C/C++-Code für die Integration in vorhandenen Code, das Desktop-Prototyping und die Bereitstellung.

Skript zur Verarbeitung einer Velodyne PCAP-Datei und Bild der erzeugten Punktwolke.

Streamen und Lesen von LiDAR-Daten

Livestreaming von LiDAR-Punktwolken aus Velodyne Lidar-Sensoren. LiDAR-Daten können in verschiedenen Dateiformaten wie PCAP, LAS, Ibeo, PCD und PLY eingelesen werden.

Dokumentation | Beispiele

Punktwolken eines luftgestützten LiDAR, unterteilt in am Boden und nicht am Boden befindliche Punkte.

LiDAR-Datenvorverarbeitung

Es stehen Funktionen und Algorithmen für die Umwandlung ungeordneter in geordnete Daten, die Bodensegmentierung, das Downsampling, die Transformation von Punktwolken und die Extraktion von Merkmalen aus LiDAR-Punktwolken zur Verfügung.

Dokumentation | Beispiele

Vergrößerte Ansicht von LiDAR-Daten in der Lidar Viewer App.

Visualisierung und Analyse von LiDAR-Daten

Mit der Point Cloud Analyzer App können Sie LiDAR-Daten visualisieren, analysieren und vorverarbeiten. Integrierte oder selbst erzeugte Vorverarbeitungs-Algorithmen ermöglichen die Bodenentfernung, Entrauschung, Medianfilterung, Beschneidung und das Downsampling von LiDAR-Daten.

Dokumentation | Beispiele

Daten eines luftgestützten LiDARs, die in Gebäude, Vegetation, Boden und sonstige Elemente segmentiert sind.

Kalibrierung von LiDAR-Kameras

Schätzen Sie eine euklidische Transformation zwischen einem 3D-Lidar-Sensor und einer Kamera. Verwenden Sie die geschätzte euklidische Transformationsmatrix zwischen Kamera und Lidar, um die Daten zwischen diesen beiden Sensoren zu fusionieren.

Dokumentation | Beispiele

Objekterkennung an LiDAR-Punktwolken

Erkennen und passen Sie orientierte Begrenzungsboxen um Objekte in LiDAR-Punktwolken an und verwenden Sie diese zum Objekttracking oder für LiDAR-Labeling-Workflows. So entwerfen, trainieren und bewerten Sie fehlerresistente Erkennungssysteme wie PointPillars-Netzwerke und generieren C/C++- oder CUDA-Code für Target-Hardware.

Deep Learning mit Punktwolken (11:48)

Dokumentation | Beispiele

Punktwolke eines Fahrszenarios auf der Autobahn in der Lidar Labeler App.

LiDAR-Labeling

Labeling von LiDAR-Punktwolken zum Trainieren von Deep-Learning-Modellen. In der Lidar Labeler-App automatisieren Sie das Labeling von LiDAR-Punktwolken durch integrierte oder selbst geschriebene Algorithmen und bewerten die Leistung der Automatisierungs-Algorithmen.

Punktwolken mit der Lidar Labeler App beschriften (20:06)

Dokumentation | Beispiele

Bild und zugehörige Punktwolke eines Schachbrettmusters in der Lidar Camera Calibrator-App.

Dokumentation | Beispiele

Kalibrierung von LiDAR-Kameras

Durch Kreuzkalibrierung von LiDAR- und Kamerasensoren lassen sich Kamera- und LiDAR-Daten zusammenführen. Mit der Lidar Camera Calibrator App erkennen, extrahieren und visualisieren Sie Schachbrettmuster aus Bildern und LiDAR-Punktwolken. Dann schätzen Sie die starre Transformationsmatrix zwischen der Kamera und dem LiDAR anhand der Ergebnisse dieser Merkmalserkennung.

LiDAR-Registrierung und simultane Lokalisierung und Kartierung (Simultaneous Localization and Mapping; SLAM)

Registrieren Sie LiDAR-Punktwolken durch Extraktion und Abgleich von FPFH-Deskriptoren (Fast Point Feature Histogram) oder mithilfe eines Segmentabgleichs. Implementieren Sie 3D-SLAM-Algorithmen durch Zusammenfügen von LiDAR-Punktwolkensequenzen aus boden- und luftgestützten LiDAR-Daten.

Implementierung von Aerial Lidar SLAM für UAVs mit MATLAB (6:08)

Dokumentation | Beispiele

Karte einer Umgebung und zugehöriger Laufweg für einen Roboter.

2D-LiDAR-Verarbeitung

Implementierung von SLAM-Algorithmen aus 2D-LiDAR-Scans. Schätzen Sie Positionen und erzeugen Sie binäre oder probabilistische Besetzungsgitter aus realen oder simulierten Sensor-Messwerten.

Dokumentation | Beispiele