搜索到22560篇“ LIDAR“的相关文章
激光雷达与相机联合标定进展研究
2024年
针对激光雷达与相机标定精度会极大地影响定位初始化,融合定位算法对标定参数的准确性非常敏感,会严重降低融合定位算法的性能和可靠性等问题,提出一种激光雷达与相机联合标定分类方法:论述激光雷达与相机联合标定领域的最新的研究进展;重点分析和总结基于特征的标定方法、基于运动的标定方法、基于互信息的标定方法和基于深度学习的标定方法的突出研究成果;总结出4种标定方法的开源代码工具集,并对这4种标定方法的特点、标定精度和自动化程度进行分析比较;最后,展望激光雷达与相机联合标定研究的发展趋势。
熊超乌萌乌萌卢传芳
关键词:相机双目视觉
基于LiDAR的室内定位方法研究
2024年
为解决室内GNSS定位精度较差问题,采用LiDAR技术,设计并实现了室内高精度定位实验。在机器人操作系统平台进行实验,利用LiDAR采集环境信息,分别基于扩展卡尔曼滤波(EKF)、基于图优化算法(Graph based)对采集到的数据进行解算,实现室内定位,并比较两者的定位精度。实验结果表明:2种室内定位方法均可构建精度较高的环境地图,并能有效的完成室内定位任务,图优化算法SLAM精度相对较高,环境地图效果更好。
周小迦
关键词:激光雷达扩展卡尔曼滤波
GNSS/IMU/LiDAR融合定位研究
2024年
为提升低成本卫星接收机和惯性测量单元(inertial measurement unit,IMU)条件下传统组合导航定位的抗干扰性和定位精度,本文通过融合GNSS、IMU、激光雷达(laser radar,LiDAR)来提高定位的鲁棒性及定位精度.在高楼遮挡等复杂环境下由于卫星信号丢失导致卫星定位结果降低,可通过GNSS与IMU的组合来提升导航定位的鲁棒性及其精度.如果卫星信号缺失时间过长,那么低成本条件下的GNSS/IMU组合定位精度仍不理想,本文提出利用LiDAR里程计输出的位置信息与传统组合导航通过扩展卡尔曼滤波(extended Kalman filter,EKF)进行融合定位.实验得出:在无遮挡的环境下融合定位标准差(standard deviation,STD)精度较之卫星定位提升53.7%,均方根误差(root mean square error,RMSE)精度提升56%,较之GNSS/IMU组合定位STD精度提升37.9%,RMSE精度提升38.6%.在有遮挡的环境下融合定位STD精度较之卫星定位提升59.4%,RMSE精度提升71.3%,较之GNSS/IMU组合定位STD精度提升26.3%,RMSE精度提升33.7%.
刘傲郭杭熊剑王梦莉
关键词:GNSS
星载激光雷达遥感技术进展与发展趋势(特邀)
2024年
星载激光雷达遥感技术,作为主动光学遥感手段,具有高垂直分辨率、高探测精度、全天时测量等优势,能获取一些传统被动光学或者微波遥感无法获得的信息。随着激光器及探测技术的进步,发展了不同探测体制的星载激光遥感技术,这些技术先后在深空探测和对地观测等多个领域得到重要应用。星载激光遥感技术的主要应用包括行星和月球的三维高程测量,地球大气云和气溶胶三维廓线、大气三维风场、温室气体浓度及海洋立体剖面等的测量,并先后在多个空间任务中得到了有效验证。对于一些重要应用领域的高精度测量,星载激光遥感技术是唯一有效的方法。星载激光雷达的长寿命和高测量精度在轨得到了验证,使得星载激光遥感技术从空间演示验证逐渐实现业务化运行,将在未来的陆地测绘、气候、气象研究及环境监测中发挥重要作用。最近20年,中国星载激光雷达遥感技术发展迅速,在多个领域取得国际领先的创新成果,包括星载温室气体二氧化碳探测激光雷达和高光谱气溶胶探测激光雷达等,正在服务国家重大应用,为国际星载光学主动遥感作出了重要贡献。
陈卫标刘继桥竹孝鹏毕德仓侯霞
关键词:多普勒测风激光雷达差分吸收激光雷达
LiDAR辐射强度信号校正研究进展及趋势
2024年
激光雷达不仅能获取目标三维空间信息,还能记录目标反射的回波辐射强度,为实现空谱一体化探测提供基础。但激光雷达信号在传播过程中易受距离、入射角、大气衰减等因素影响,原始强度数据的质量并不能满足后续应用的要求,影响空谱一体化应用的推广。首先论述激光雷达强度数据的产生和应用;随后,着重对国内外的强度校正研究现状进行梳理、归纳和总结;最后,对未来研究方向进行展望。随着未来遥感技术对空谱数据一体化获取需求的增加及技术的不断提升,激光雷达技术的空谱一体化优势必将得到极大提升。
王丹丁琼张润源安宇伟
关键词:激光雷达校正方法
基于无人机激光雷达的地表变形监测
2024年
主要探讨了M2M、C2M、P2P这3种传统点云面域沉降监测的原理及其优缺点,并详细阐述了顾及最优步长的垂直形变监测算法的原理和流程;在不同点云密度下,开展了网格步长和非地面点对3种方法垂直变形监测精度影响的研究;当点云密度为5时,进行不同方法点云监测精度的对比分析;最后利用顾及最优步长的垂直形变监测算法对矿区垂直形变进行了计算。
江吉平
关键词:沉降监测LIDAR点云正射影像
机载LiDAR在大比例尺地形图测绘中的应用分析
2024年
针对传统大比例尺地形图测量方式中存在精度低、效率低、无法全天候等缺点,为开展工程中大比例尺地形图测量工作,采用无人机机载LiDAR测量系统对测区进行了快速扫测,经内业处理数据,最后结合测区已有地形图进行对比分析。实验结果表明:无人机机载LiDAR测量系统在山区、植被覆盖较密的地形测量中具有快速的优势,且测量数据满足大比例尺地形图精度要求,同时也为未来空天地一体化快速测量大比例尺地形图思路提供借鉴。
白斌
关键词:LIDAR地形测量
一种融合LiDAR点云与影像的建筑物提取方法
2024年
建筑物的空间信息可以为城市规划、土地管理等提供重要参考。近年来,利用遥感方法提取建筑物引起了许多学者的关注,其核心是提取能够准确描述建筑物的特征,将其与其他物体区分开来。机载激光雷达获取的点云可以准确描述物体的三维特征,但具有离散性;航空图像具有丰富而连续的纹理信息,但缺乏对空间位置的描述。此外,现有特征之间可能存在冗余,从而降低了效率和准确性。为此,本文提出一种基于机载LiDAR(light detection and ranging)点云与航空影像融合的建筑物提取方法。首先,将两类数据源配准融合,实现更丰富的特征提取;其次,使用特征选择方法,降低特征维度,减少计算消耗的同时提高提取精度。实验结果表明,所提方法的有效性,优于生产中常用的LiDAR⁃Suite和Terrasolid软件。
王思远吴怡凡李咏旭黄一鸣
关键词:建筑物提取机载LIDAR航空影像
基于LiDAR扫描角度修正的障碍目标定位方法
2024年
在二维激光雷达(LiDAR)用于障碍物检测时,移动机器人自身姿态变化导致LiDAR基准位置变化,对障碍目标进行定位计算时会产生较大误差。文中提出了一种基于LiDAR扫描角度修正的障碍目标定位方法,用K-means聚类算法对激光雷达点云数据进行聚类划分,然后对聚类后数据进行角度修正处理,使处理后的数据信息更符合真实值。最后包络每个聚类数据,从而提高LiDAR扫描数据的准确性。测试结果表明,文中所提方法能够提高定位精度,满足障碍物精准定位的需求。
张铭坤蔡文郁张帅
关键词:移动机器人角度修正
基于改进PointNet++的Lidar点云分割模型
2024年
针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失,进而导致点云分割精度下降的问题,通过改进PointNet++的特征提取及特征聚合模块,提出一种基于特征偏差值和注意力机制的点云分割模型。首先,利用球形采样获取不同的局部邻域,并采用K最近邻(KNN)算法筛选邻域点,计算不同邻域的特征偏差值,获取点云的深层语义信息,增强模型对不同局部邻域的识别能力;其次,利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块,在聚合特征阶段学习不同特征的权重,从而提高模型对不同结构信息的筛选能力,增强模型的分割性能;最后,为了进一步优化模型架构,在全连接层中加入残差模块,共享权重,避免参数冗余,提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证,实验结果表明,所提模型总体精度达到86.69%,较PointNet++提高了5.49个百分点,同时平均F1得分达到了73.97%,较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明,与PointNet++、RandLA-Net和ConvPoint等主流模型相比,所提模型结果较PointNet++也有提升,即相较于PointNet++的分割结果,改进后的模型能够充分提取点云的语义特征,有效提高模型分割精度。
张驰王志杰吴昊陈动
关键词:点云分割LIDAR

相关作者

马洪超
作品数:99被引量:684H指数:16
供职机构:武汉大学
研究主题:机载激光雷达 LIDAR 点云 机载LIDAR LIDAR点云
庞勇
作品数:201被引量:1,518H指数:26
供职机构:中国林业科学研究院资源信息研究所
研究主题:激光雷达 机载激光雷达 遥感 单木 LIDAR
邢艳秋
作品数:126被引量:703H指数:14
供职机构:东北林业大学
研究主题:激光雷达 波形 点云 LIDAR 机载LIDAR
龚健雅
作品数:442被引量:7,410H指数:45
供职机构:武汉大学
研究主题:GIS 地理信息系统 遥感 空间数据 地理信息
李增元
作品数:312被引量:2,778H指数:30
供职机构:中国林业科学研究院资源信息研究所
研究主题:遥感 激光雷达 机载激光雷达 合成孔径雷达 林分