Lidar

实时性优化详解：如何保证算法在 10Hz 帧率下稳定运行？ 在自动驾驶、机器人、智能环卫设备中，算法必须以足够高的频率（通常 10Hz ~ 20Hz）处理传感器数据，否则无法满足车辆控制和安全响应的需求。下面从 降采样策略、多线程、CUDA 并行、近似算法 四个维度系统讲解实时性优化方法，并重点回答 “如何保证算法在 10Hz 帧率下运行？” ...

3D目标检测评价指标详解：IoU、AP、mAP、NDS 在3D目标检测中，评价指标是衡量算法性能的关键。下面详细介绍四个核心指标，并重点说明3D空间中的IoU计算方法。 一、IoU（Intersection over Union，交并比） 1. 定义 IoU 衡量预测框与真实框（Ground Truth）的重叠程度，定义为两个框的交集体积除以并集体积： ...

点云跟踪详解：基于卡尔曼滤波与匈牙利算法的多目标跟踪框架 点云跟踪是自动驾驶、机器人导航中的核心任务，旨在连续帧间对动态障碍物（车辆、行人等）进行关联匹配与状态估计，从而获得目标的运动轨迹（速度、加速度、预测位置）。常见框架为 “预测 + 关联 + 更新” 的 Tracking-by-Detection 范式： ...

BEV感知详解：从原始点云到鸟瞰图的转换与优势 BEV（Bird’s Eye View，鸟瞰图）感知是当前自动驾驶与机器人感知中的核心技术之一。它将三维点云数据沿垂直方向（Z轴）进行压缩，投影到一个水平面上的二维网格中，形成类似“俯视地图”的特征表示，进而可以像处理图像一样，使用高效的2D卷积神经网络进行后续检测、分割等任务。 ...

Point-based、Voxel-based 与 Point-Voxel 融合这三类方法，代表了点云 3D 目标检测领域从“逐点处理”到“体素化高效计算”再到“优势互补”的演进路径。而 PointPillars 以其极致的效率，成为了工业应用中一个重要的里程碑。 我来为您详细介绍这三种主流的3D目标检测方法，以及PointPillars的核心创新。 ...

下面把 **LOAM 系列（LOAM / LeGO-LOAM / LIO-SAM）**讲成一套“算法结构 → 关键模块 → 各版本差异 → 核心问题（为什么选边缘点和平面点）”的完整体系。 一、LOAM的核心思想（总览） LOAM（Lidar Odometry and Mapping）的核心设计是： ...

下面把 NDT（Normal Distributions Transform）配准系统性讲清楚：从直观思想 → 数学建模 → 优化流程 → 与ICP对比 → 工程用法与答案。 一、NDT的核心思想 与ICP不同，NDT不做“点对点匹配”，而是： ...

下面把 ICP（Iterative Closest Point）点云配准讲成一套“原理 → 数学模型 → 变种 → 缺点与改进 → 工程实践”的完整体系，基本覆盖所有高频追问。 ...

下面把 KD-Tree / Octree 讲成一套“原理 + 复杂度 + 工程用途 + 要点”的完整体系，并重点回答 KD-Tree 建树复杂度。 一、为什么需要空间索引结构？ 点云算法的核心操作之一是： 找最近邻（kNN） 半径搜索（Radius Search） 空间划分 如果直接暴力搜索： ...

下面把点云特征提取讲成一套**从基础几何 → 局部统计 → 描述子 → 应用（边缘点提取）**的完整体系，覆盖面试常问的原理、公式直觉、参数选择与工程用法。 ...