用激光雷达反演气溶胶质量浓度的空间垂直分布是环境监测领域的重点研究内容之一。利用激光雷达测量得到的地面消光系数和振荡天平获得的地面质量浓度，建立起质量浓度与消光系数之间的关联，再通过消光系数的垂直分布反演质量浓度的垂直分布。基于这一思想，采用两种模型进行了拟合和相关性分析。实验表明用这两种模型反演的质量浓度空间分布相关性好，数据量级与实际相符，具有一定的可信度。模型易于实现，计算简单，可实现在线实时检测。

具有强可扩展性的激光雷达测绘和定位框架可扩展的激光雷达测绘和定位框架这是具有强大扩展性的激光雷达测绘和定位框架。 映射和匹配是框架的独立部分。 映射包含数据预处理，前端，后端，循环关闭和查看器。 匹配包含数据预处理和地图匹配。 该框架的特点是，借助c ++中的多态性，可以很容易地替换其大多数模块。 例如，您可以在t中用icp替换ndt

信息技术-通信动态点评：昂纳发布激光雷达，光通信企业新征程.pdf

星载激光雷达Calipso-VFM产品读取代码，里面附带了两个vfm文件可以熟悉一下，具体的解释见博文吧有详细的程序讲解！ https://blog.csdn.net/jnbfknasf113/article/details/122297875?spm=1001.2014.3001.5501

申明：从KITTI官网下载到的激光雷达点云数据为.bin格式，为此找到了三种方法，现在分享出来大家一起讨论。 程序运行环境 运行测试系统：Ubuntu16.04 运行环境：python3.6 方法一：使用numpy库读取.bin数据并使用mayavi.mlab来可视化点云数据 1、安装通过下属命令安装依赖库 pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mayavi -i https://pypi.tuna.tsinghua.edu.cn/simple 2、通过以下代码读取.bin文件并可视

此代码资源是我的博文:十五. 单线激光雷达和视觉信息融合,配套的ROS实践功能包. 使用前请确认并修改: 1. 你的单线雷达和相机发布的topic消息; 2.single_ladar_and_camera_fusion.launch为此功能包启动launch; 3.start_lidar_camera.launch为启动我机器上单线激光雷达和相机的launch. 使用时请按你的实际环境进行配置,或者干脆放弃此文件, 用你自己熟悉的方式启动你机器的相机和Lidar节点; 4.start_lidar_camera.launch文件中我还发布了相机和激光雷达的位姿信息(联合标定信息)到ROS的TF. 代码中会用到此数据进行相机到激光雷达的三维坐标系变换. 使用时请确认你的环境也有这样的TF;

文章以数学形态学方法为基础，介绍了如何在激光雷达点云数据中滤除植被点和建筑物等局部较高点数据，并简单分析了利用保留地面点数据构建DEM的原理。

针对激光雷达回波信号所含噪声的特点，提出并详细论述了一种能够对激光雷达回波信号进行有效消噪的小波包平均阈值变换方法。该方法通过求取最优小波包基的每个结点的阈值，并进行平均后作为全局阈值来实现小波包消噪。为了验证该方法的有效性，对包含高斯白噪声的模拟信号进行了仿真消噪，并对米氏散射激光雷达系统实际探测得到的大气回波信号进行了消噪处理。同时，将该方法与小波全局阈值消噪、小波包默认阈值的消噪效果进行了对比分析。仿真结果和实验结果表明，基于平均阈值的小波包消噪方法能够有效降低激光雷达回波信号中所含噪声，并且其消噪效果明显优于另外两种小波分析方法。

环境感知是无人驾驶的核心技术之一,而利用三维激光雷达进行障碍物检测一直是国内外的研究热点。本文首先按照传感器的种类介绍了无人车障碍物检测方法的分类,然后介绍了基于三维激光雷达进行障碍物检测的基本原理,之后详细分析了基于三维激光雷达进行障碍物检测的传统方法。其中深度学习是二维图像目标检测及分类的重要方法,在介绍三维激光雷达点云特点的同时分析了点云深度学习的挑战,最后详细分析了三维点云深度学习在障碍物检测方面的研究现状以及发展趋势,并且介绍了自动驾驶领域的KITTI数据集和ApolloScape数据集。

介绍了空中目标激光雷达一维距离像的回波模型,分析了影响探测系统性能的因素,仿真分析了大气衰减、接收系统噪声和激光散斑效应对目标成像分辨率的影响。用原理性实验验证了分析结果，得出了结论。基于此给出了建议。