聊聊激光雷达原理之dTOF——SPAD/SiPM篇文章目录聊聊激光雷达原理之dTOF——SPAD/SiPM篇前言什么是dTOFSPAD工作原理TCSPC(Time-CorrelatedSinglePhotonCounting)CD(Coincidencedetection)前言对于dTOF来说，其实应该先从APD讲起(因为现在大多数dTOF激光雷达都是APD的)，但因为笔者是SPAD的从业者，所以出于私心和方便来说就从SPAD讲起吧（SiPM相当于SPAD的阵列，就放在这里一起说了）。什么是dTOFdTOF(DirectTimeofFlight)，直译即是直接飞行时间，通过光束发射和接收的时间
博客地址：https://www.cnblogs.com/zylyehuo/参考资料ORB-SLAM3配置及安装教程ORB-SLAM3配置安装及运行环境配置Win11proVMware17ProUbuntu18.04Eigen3PangolinOpencv3.4.3ORB-SLAM3源码：https://github.com/UZ-SLAMLab/ORB_SLAM3效果图注意事项建议留有15-20G左右的内存如果是新系统，没有安装git，则需要先装gitsudoapt-getinstallgit如果是新系统的话，预装的vi编辑器不完整，用不了执行如下命令安装vi编辑器sudoapt-getre
2021年1月，一家名为Avea的激光雷达初创公司，与日本电装宣布达成合作协议，双方将共同推进FMCW（调频连续波）激光雷达的量产，目标是满足大众市场的需求。众所周知，目前，大多数车载激光雷达系统使用飞行时间（TOF）探测技术，通过发射脉冲激光束并测量接收物体反射光束所需的时间来测算物体的距离和方向。这项技术相对成熟，但缺点也非常明显。比如，容易受到干扰，远距离探测存在一定的误差。而与TOF不同，FMCW是通过发射激光束测量物体反射光束的频率变化来测量物体的移动速度（直接测量），能够以更高的精度和速度检测车辆附近的移动物体。优势在于，测距准确度与物体距离远近、物体运动速度不直接相关。同时，基于
目录12.0本章内容12.1概述 12.2双目稠密重建 12.2.1立体视觉12.2.2极线搜索与块匹配12.2.3高斯分布的深度滤波器12.2.4像素梯度的问题 12.2.5逆深度 12.2.6图像间的变换12.2.7并行化：效率的问题12.2.7其他的改进12.3RGB-D建图理论 12.3.1点云地图示例代码 12.3.2八叉树地图 12.0本章内容1.理解单目SLAM中稠密深度估计的原理2.了解几种RGB-D重建中的地图形式 本讲介绍建图部分的算法。在前端和后端中，我们重点关注同时估计相机运动轨迹与特征点空间位置的问题。然而，在实际使用SLAM时，除了对相机本体进行定位，
一、基于单目图像的3d目标检测这一部分是论文中最难理解的一章，作者的主要想法，是利用2d图像来生成3d的目标包围框（boundingbox），一方面这个思路本身就不是很好懂，另一方面，作者写这一章还是用的倒叙，显得更难理解了。3d包围框的定义对于本文的3d包围框，需要使用九个量来定义，可以分为三组：位置（三维场景下的xyz坐标），旋转矩阵R（rpy一共三自由度）以及三个方向上的尺度。简单来说，3d包围框本身是一个立方体，立方体的朝向就对应旋转矩阵R，立方体中心的坐标就是位置，立方体的长宽高对应的就是三个方向上的尺度，所以一共是九个自由度来描述一个空间物体的包围框。对于这篇论文，我们使用的是图像
目前ORB_SLAM3已经提供了地图保存功能。方法是在yaml文件中以下这行配置：System.SaveAtlasToFile:"map.osa"保存下来的地图可以在下次运行ORB_SLAM3时加载。然而，我经过搜索，没能找到关于.osa文件离线加载和可视化的方法，于是对ORB_SLAM3的代码进行了简单的修改，使其可以保存pcd格式的点云地图。修改代码的已发布至：GitHub-DioVei/ORB_SLAM3_with_save:Modifytheorb-slam3codetosavethekeypointsperframeandthemapinPCDformat.代码中仅使用到PCL基础的
《机器人SLAM导航核心技术与实战》第1季：第5章_机器人主机视频讲解【第1季】5.第5章_机器人主机-视频讲解【第1季】5.1.第5章_机器人主机_X86与ARM主机对比-视频讲解【第1季】5.2.第5章_机器人主机_ARM主机树莓派3B+-视频讲解【第1季】5.3.第5章_机器人主机_ARM主机RK3399-视频讲解【第1季】5.4.第5章_机器人主机_ARM主机Jetson-tx2-视频讲解【第1季】5.5.第5章_机器人主机_分布式架构主机-视频讲解第1季：第5章_机器人传感器先导课第1季：快速梳理知识要点与学习方法第2季：详细推导数学公式与代码解析第3季：代码实操以及真实机器人调试答
本文主要介绍速腾聚创的RS-LIDAR-M1固态雷达激光与小觅相机左眼的联合标定过程，并介绍标定过程中的一些技巧与避雷，加快标定效率。最后给出运用标定结果进行投影的关键代码。一、安装autoware（为了标定完成后的可视化，可选，本文并未用到）参考https://blog.csdn.net/qq_41545537/article/details/109312868二、安装autoware相机和激光雷达联合标定工具参考https://blog.csdn.net/qq_43509129/article/details/109327157三、进行标定1.播放数据播放事先采集好的标定数据包，命令如下：
上一章简单介绍了VEnus中几个主要函数的作用，这里详细展开看一下每个函数的具体思路，通过研究具体的代码我们可以简单了解VEnus中对于反光柱定位的具体流程。1、IntensityExtraction::ExtractIntensityExtraction::Extract(VEnus::Sensor::IntensityRange2D&cloud,VEnus::Sensor::IntensityRange2D&candidate_cloud)Extract函数的主要作用是从激光点云中提取出高反点，然后存储到对应的容器中。输入的数据类型为VEnus::Sensor::IntensityRang
点云PCL免费知识星球，点云论文速读。文章：RGB-L:EnhancingIndirectVisualSLAMusingLiDAR-basedDenseDepthMaps作者：FlorianSauerbeck，BenjaminObermeier，MartinRudolph编辑：点云PCL代码：https://github.com/TUMFTM/ORB_SLAM3_RGBL.git欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的
