sweetorange_的学习笔记

PCL 三维点云轮廓提取

PCL是否安装成功测试。只需三步即可

点云的来源、数据结构包含信息以及点云的常见格式

ubuntu16.04下PCL点云库的最新安装和检查方法 Zachary Yu 2019-01-06 22:20:45 ...

建立一个文件夹pclfirst在pclfirst文件夹下建立pclfirst.cpp,写入/* 任何点云格式均可，不要求点云带有RGB字段*/#include <iostream>#include <pcl/point_types.h>#include <pcl/io/ply_io.h>#include<pcl/io/pcd_io.h>//pcd 读写类相关的头文件。#include <pcl/visualization/pcl_

ROS下播放激光点云bag数据并可视化启动roscore:使用ROS必须先启动roscore,打开终端，输入下列命令：roscore;播放bag数据:另外打开一个终端，输入下列命令：rosbag play xxx.bag;//xxx.bag 改成你自己的bag名，建议在包文件夹下打开终端运行该命令行rosbag play 11-12-boliu2.bag //例：我打包名叫11-12-boliu2.bag，则运行这一行命令打开rviz：打开一个新终端，输入下列命令：rosrun

bag_to_pcd：方法一：$ rosrun pcl_ros bag_to_pcd <input_file.bag> <topic> <output_directory>/*其中<input_file.bag>应该改为自己的包名字，<topic>改为自己打话题名，<output_directory>代表会在当前目录下生成一个以output_directorywier名字的文件夹用来存放pcd文件。例子：rosrun pcl_r

546如果的回复i胡椒粉

octomap_sever安装及demo、自己的pcd点云数据测试基于八叉树的三维的栅格地图构建文章开头先贴一下：高博关于八叉树的博客1.编译octomap新建一个目录用于拷贝octomap代码。　如果没有git请安装git，然后拷贝代码：sudo apt-get install gitgit clone https://github.com/OctoMap/octomap上述的git会把代码拷贝到当前目录/octomap下。进入该目录，参照README.md进行安装。编译方式和普通的cm

ROS下使用 rviz 显示octomap_sever 构建的三维栅格地图本文是在安装完了octomap_sever 后（octomap_sever安装方法在这里：octomap_sever安装及demo、自己的pcd点云数据测试，基于八叉树的三维的栅格地图构建）,使用ROS 自带的RVIZ显示自己的PCD点云文件构建的八叉树的教程。1、安装octomap 在 rviz 中的插件：sudo apt-get install ros-kinetic-octomap-rviz-plugins安装后启动

cartgrapher的安装以及编译因为最近学习用到动态栅格地图构建，所以选择cartgrapher作为工具，但是在安装中出现了种种问题，最后导致许多天科研工作没进展，今天就顺利安装成功，写下来用以备忘记录。写在前面：这篇博客主要记载cartgrapher的安装和编译，在此之前已经按顺序安装好了ubuntu16.04+kinetic版本的ROS：1、好像还没有写ubuntu16.04的安装过程，这个如果有同学想看，那我下次一定！2、kinetic版本的ROS安装博客：Ubuntu16.04安装ROS

此存储库包含用于ROS兼容UGV的轻型和地面优化激光雷达里程计和地图（lego-loam）系统的代码。该系统接收来自Velodyne VLP-16激光雷达（水平放置）的点云和可选IMU数据作为输入。实时输出6D姿态估计。一、依赖Dependency：1、ROS：安装了ubantu16.04 kinect版本：参考过程2、安装gtsam：下载gtsam：git clone https://bitbucket.org/gtborg/gtsam.git//或者：wget -O ~/Downloads

发射的

平面拟合算法实现点云中的地面部分提取由于上一篇提出的基于ROS的通过计算夹角实现点云中的地面部分提取中存在以下不足：1、存在少量噪点，不能彻底过滤出地面;2、非地面的点容易被错误分类，造成非地面点缺失;3、对于目标接近激光雷达盲区的情况，会出现误分割，即将非地面点云分割为地面。本文记录一种新的地面分割方法，在可靠性、分割精度方面均优于上一篇提出的基于ROS的通过计算夹角实现点云中的地面部分提取方法。我们将其称之为地面平面拟合方法。出自论文：Fast segmentation of 3D poin

激光雷达环境感知一般的流程为：1、分割地面，从而减少地面的点对目标检测的影响2、点云聚类，将目标按照点的分布进行聚类，从而降低后续计算的计算量3、模式识别，对分割得到的点云进行特征提取，使用提取出来的特征训练分类器进行模式识别，近年来深度学习取得进展，也有不少使用深度神经网络的端到端检测算法。4、目标追踪，在完成模式识别以后我们实际上已经得到了目标障碍物的类别（是行人还是车辆还是别的）、障碍物的轮廓（一个3维的bounding box）、障碍物的位置（障碍物形心相对于激光雷达的xyz坐标）。为了方便

一、背景:在10.lego-loam的编译、安装、运行以及结果的保存的基础上进行地面点和非地面点的提取.使用的PCD数据是10.lego建图保存的,使用的方法是PCL的平面分割,用RANSAC分割法,更多注释见如下代码.二、代码:#include <iostream>#include <pcl/io/pcd_io.h>//#include <pcl/io/ply_io.h>#include <pcl/filters/voxel_grid.h>#

一、背景:写这一篇主要是为录演示上一篇14、 在lego_loam提取出的PCD点云文件中提取地面的结果.也可以用来显示点云,即使是多个点云文件也可以同时显示.使用C++和PCL完成.二、代码以及注释#include <iostream>#include <string>#include <pcl/point_types.h>#include <pcl/io/pcd_io.h>#include <pcl/PCLPointCloud2.h&

SC-LEGO-LOAM　编译＆运行

简介：Scan Context（常简称SC）:是2018年韩国kim等发在IROS上的一篇文章，是在shape context的基础上提出的，可以和loam系的一些文章相结合用于回环检测。标题：Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map作者：Giseop Kim, Ayoung Kim来源：2018 IEEE/RSJ International Conferen

SC-lego-loam代码解读已完成，留个坑等有时间上传

文章链接：ISC-LOAM文章代码：本文在SC描述子的基础上提出了一种新的基于距离和密度的全局描述子。通过二层搜索提升了搜索速度。

PCD_ins.cpp//头文件可能有冗余#include <iostream>#include <pcl/point_types.h>#include <pcl/io/ply_io.h>#include <pcl/io/io.h>#include<pcl/point_cloud.h>#include<pcl/io/pcd_io.h>//which contains the required definitions to