Lidar Toolbox
Entwurf, Analyse und Testen von LiDAR-Verarbeitungssystemen
Die Lidar Toolbox™ enthält Algorithmen, Funktionen und Anwendungen für den Entwurf, die Analyse und das Testen von Lidar-Verarbeitungssystemen. Sie dient zur Objekterkennung und -verfolgung, semantischen Segmentierung, LiDAR-Registrierung, Hinderniserkennung und zum Shape Fitting. Die Toolbox bietet Workflows und eine App zur Kreuzkalibrierung von Lidar- und Kamerasensoren.
Mit der Toolbox können Daten von Velodyne®-LiDARs gestreamt und von Velodyne- und IBEO-LiDAR-Sensoren aufgezeichnete Daten gelesen werden. Die Lidar Viewer App ermöglicht Ihnen die interaktive Visualisierung und Analyse von LiDAR-Punktwolken. Mithilfe von Algorithmen aus den Bereichen Machine Learning und Deep Learning wie PointPillars, SqueezeSegV2 und PointNet++ lassen sich Modelle zur Erfassung, semantischen Segmentierung und Klassifizierung trainieren. Die Lidar Labeler App unterstützt das manuelle und halbautomatische Labeling von LiDAR-Punktwolken zum Trainieren von Deep-Learning- und Machine-Learning-Modellen.
von Velodyne- und IBEO-LiDAR-Sensoren aufgezeichnete Daten für Wahrnehmungs- und Navigationsworkflows. Die meisten Toolbox-Algorithmen unterstützen die Generierung von C/C++-Code für die Integration in vorhandenen Code, das Desktop-Prototyping und die Bereitstellung.
Streamen und Lesen von LiDAR-Daten
Livestreaming von LiDAR-Punktwolken aus Velodyne Lidar-Sensoren. LiDAR-Daten können in verschiedenen Dateiformaten wie PCAP, LAS, Ibeo, PCD und PLY eingelesen werden.
LiDAR-Datenvorverarbeitung
Es stehen Funktionen und Algorithmen für die Umwandlung ungeordneter in geordnete Daten, die Bodensegmentierung, das Downsampling, die Transformation von Punktwolken und die Extraktion von Merkmalen aus LiDAR-Punktwolken zur Verfügung.
Visualisierung und Analyse von LiDAR-Daten
Mit der Lidar Viewer App können Sie LiDAR-Daten visualisieren, analysieren und vorverarbeiten. Integrierte oder selbst erzeugte Vorverarbeitungs-Algorithmen ermöglichen die Bodenentfernung, Entrauschung, Medianfilterung, Beschneidung und das Downsampling von LiDAR-Daten.
LiDAR – Semantische Segmentierung
Mit Deep-Learning-Algorithmen lassen sich LiDAR-Punktwolken segmentieren. Dazu lassen sich Netzwerke für die semantische Segmentierung wie PointNet++, PointSeg und SqueezeSegV2 an Lidar-Daten trainieren, testen und bewerten. Generierung von C/C++- oder CUDA®-Code für Target-Hardware.
Objekterkennung an LiDAR-Punktwolken
Erkennen und passen Sie orientierte Begrenzungsboxen um Objekte in LiDAR-Punktwolken an und verwenden Sie diese zum Objekttracking oder für LiDAR-Labeling-Workflows. So entwerfen, trainieren und bewerten Sie fehlerresistente Erkennungssysteme wie PointPillars-Netzwerke und generieren C/C++- oder CUDA-Code für Target-Hardware.
LiDAR-Labeling
Labeling von LiDAR-Punktwolken zum Trainieren von Deep-Learning-Modellen. In der Lidar Labeler-App automatisieren Sie das Labeling von LiDAR-Punktwolken durch integrierte oder selbst geschriebene Algorithmen und bewerten die Leistung der Automatisierungs-Algorithmen.
Kalibrierung von LiDAR-Kameras
Durch Kreuzkalibrierung von LiDAR- und Kamerasensoren lassen sich Kamera- und LiDAR-Daten zusammenführen. Mit der Lidar Camera Calibrator App erkennen, extrahieren und visualisieren Sie Schachbrettmuster aus Bildern und LiDAR-Punktwolken. Dann schätzen Sie die starre Transformationsmatrix zwischen der Kamera und dem LiDAR anhand der Ergebnisse dieser Merkmalserkennung.
LiDAR-Registrierung und simultane Lokalisierung und Kartierung (Simultaneous Localization and Mapping; SLAM)
Registrieren Sie LiDAR-Punktwolken durch Extraktion und Abgleich von FPFH-Deskriptoren (Fast Point Feature Histogram) oder mithilfe eines Segmentabgleichs. Implementieren Sie 3D-SLAM-Algorithmen durch Zusammenfügen von LiDAR-Punktwolkensequenzen aus boden- und luftgestützten LiDAR-Daten.
2D-LiDAR-Verarbeitung
Implementierung von SLAM-Algorithmen aus 2D-LiDAR-Scans. Schätzen Sie Positionen und erzeugen Sie binäre oder probabilistische Besetzungsgitter aus realen oder simulierten Sensor-Messwerten.
