友情链接:
合作联系
|
ASPEN培训课程
培训对象： 激光雷达感知算法工程师、点云处理研究人员、自动驾驶SLAM工程师、机器人导航开发人员。
培训目标：
掌握激光雷达点云的数据结构和预处理方法。
能够进行点云分割（地面分割、前景分割）和聚类。
实现基于点云的SLAM（LOAM、LIO-SAM）。
具备点云目标检测和定位能力。
培训内容介绍：
一、激光雷达点云概述： 了解激光雷达点云的数据结构（xyz坐标、反射强度、时间戳），掌握常用点云数据集（KITTI、nuScenes、SemanticKITTI）。
二、点云预处理： 进行点云滤波（直通滤波、体素滤波、统计滤波），去除离群点和噪声点，降低数据密度。
三、地面分割（RANSAC）： 使用RANSAC算法拟合地面平面，分割地面点和非地面点，用于障碍物检测。
四、地面分割（射线法）： 使用射线法将点云转换为距离图像，根据角度和距离变化判断地面点，提高分割速度。
五、点云聚类（DBSCAN）： 使用DBSCAN算法对非地面点进行聚类，生成障碍物候选框（3D边界框），提取目标点云簇。
六、点云聚类（欧几里得聚类）： 使用欧几里得聚类算法，根据点之间的距离进行聚类，适用于稀疏点云。
七、点云目标检测（PointNet）： 了解PointNet的网络结构（对称函数解决点云无序性），实现点云分类和分割。
八、点云目标检测（PointPillars）： 使用PointPillars将点云转换为伪图像，用2D CNN检测3D目标，平衡精度和速度。
九、SLAM概述： 了解SLAM（同步定位与地图构建）在自动驾驶和机器人中的应用，掌握激光SLAM与视觉SLAM的差异。
十、LOAM算法： 掌握LOAM（激光里程计与建图）的原理（边缘特征提取、平面特征提取、帧间匹配、地图优化）。
十一、LIO-SAM算法： 了解LIO-SAM（紧耦合激光-惯性里程计），融合IMU数据提高定位精度和鲁棒性。
十二、实战项目：点云处理与SLAM： 使用激光雷达数据完成地面分割、障碍物聚类和LOAM定位建图。
