slam学习-激光雷达学习-点云数据相关算法研究

【关键字】slam 激光雷达 点云 算法

引用
http://blog.csdn.net/kuikuijia/article/details/46157207

基础-标定

各大标定方法对比？
将雷达坐标系转换到车体坐标系的转换矩阵R和T

检测路沿

利用多线的数据进行融合，可以获取路沿信息更加准确

算法基础

基于激光雷达的 SLAM 算法(SimultaneousLocalization and Mapping)广泛用于场景点云地图的构建，SLAM 算法按照数据获取 [5] 方式可以分为基于距离传感器的 SLAM 算法和基于视觉传感器的 SLAM 算法。SLAM 算法同样可以按照问题的转化方式进行分类，分为图优化方法和滤波方法。

激光雷达点云数据是由一系列三维空间中的点组成的，点云数据根据其密集程度可以分为稀疏点云和密集点云，使用激光雷达进行遥感测距得到的点数量比较少，点与点的间距也比较大，属于稀疏点云。点云处理的关键在于点云的配准，是通过点云构建完整场景的基础。目前常用的配准方法有ICP(Iterative Closest Point)算法 [6] 和 NDT(NormalDistribution Transform)算法 [7] 。点云三维重建将点云数据转化为模型，常用的方法有基于 Delaunay三角剖分 [8] 的曲面重建与基于区域生长法 [9] 的曲面重建