Posts

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？” ...

嵌入式平台点云处理加速：从硬件选型到算法优化 在自动驾驶、机器人和智能环卫设备中，点云算法需要在功耗受限、计算资源有限的嵌入式平台上实时运行（通常要求 10~20Hz）。以下从硬件平台、加速技术、具体优化策略三个层面详细讲解，并重点回答**“如何在嵌入式平台上加速点云处理？”** ...

我来为您详细介绍ROS/ROS2的核心概念，包括节点通信机制、TF坐标变换系统和可视化工具。 一、ROS vs ROS2 架构对比 特性 ROS1 (Noetic) ROS2 (Humble/Iron) 中间件 自定义TCPROS/UDPROS DDS (Data Distribution Service) 实时性 不支持硬实时 支持硬实时 嵌入式 需交叉编译 原生支持MCU 多机通信 需配置master 自动发现，无单点故障 安全性 无 加密、认证、访问控制 构建工具 catkin colcon Python版本 Python 2/3 Python 3 推荐场景 legacy系统维护 新项目首选 二、Node（节点） 2.1 概念 节点是ROS中最小的计算单元，一个进程对应一个节点，负责单一功能（如点云处理、路径规划）。 ...

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。 ...

下面把外参标定（Extrinsic Calibration）系统性讲清楚：从统一数学模型 → 各类传感器组合（LiDAR-相机 / LiDAR-IMU / LiDAR-轮速计）→ 工程方法 → 面试核心问题（如何标定LiDAR-相机外参）。 ...

下面把内参标定（Intrinsic Calibration）系统性讲清楚：相机内参、LiDAR内参，以及张正友标定法的原理与步骤。 一、什么是内参标定？ 一句话定义： 内参标定是确定传感器自身成像/测量模型中的参数，使“测量值 → 真实几何关系”的映射尽可能准确。 ...

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： ...