Gmapping SLAM原始论文《Improved Techniques for Grid Mapping with Rao-Blackwellized Particle Filters》，大家可以详细阅读，有需要的可以下载。同时可以参照博客https://blog.csdn.net/i_robots/article/details/108308676

PCL库，LiDAR，Semantic 3D Object Maps for Everyday Manipulation in Human Living Environments，Ph.D

扫描上下文 笔记 Scan Context 可以轻松与任何 LiDAR 里程计算法或任何 LiDAR 传感器集成。 例子是： 与 A-LOAM 集成： 与 LeGO-LOAM 集成： 与 LIO-SAM 集成： 与 FAST-LIO2 集成： 与基本 ICP集成： 这个实现是完全基于 python 的，所以速度很慢但具有教育意义。 扫描上下文也适用于雷达。 与雪人雷达集成用于雷达 SLAM： ps 雷达位置识别评估请参见fast_evaluator_radar目录（雷达扫描上下文在论文中介绍）。 新闻（2020 年 4 月）：C++ 实现 C++ 实现发布！ 查看目录cpp/module/Scancontext 特征 轻量级：名为“Scancontext.h”和“Scancontext.cpp”的单个标题和cpp文件 我们的模块有 KDtree 并且我们使用 。 nan

由于全固态LiDAR内部没有任何宏观或微观上的运动部件，耐久性和可靠性的优势不言而喻，且顺应了自动驾驶对LiDAR固态化、小型化和低成本化的趋势，因此成为车用激光雷达的趋势。下面就按照不同的固态激光雷达技术做简单介绍。首先要介绍的是光学相控阵LiDAR。 　　1.光学相控阵LiDAR 　　激光雷达从机械转动向聚束成形的进化趋势与雷达完全相同：军事上广泛应用的相控阵雷达一般拥有上千个发射天线单元，通过调节波束合成的方式，可以改变雷达扫描的方向而不需要机械部件运转，灵活性很高，适合应对高机动目标，还可发射窄波束作为电子战天线。 　　对于激光雷达，为了完全取消机械结构，考虑通过调节发射阵列中每

通过搞空间分辨率的多光谱和LIDAR数据，使用ecognition软件完成三个市区大面积地物分类。具有一定的学习意义。

提出了一种流数据算法进行Delaunay三角网构网，用于处理上十亿的LiDAR点云数据。该算法基于并行多核处理器架构，将三角网构网的分治算法与流数据处理相结合。一种四叉树结构调整自适应地分割点云数据文件，将其分割分割网和合并分段工作动态调度分布到不同的处理器，以提高负载均衡。算法通过并行计算，充分利用多核处理器平台的计算能力，获得了高运行效率和低内存占用。

目录 介绍 YDLidar SDK是为所有YDLIDAR产品设计的软件开发套件。 它基于YDLidar SDK通信协议基于C / C ++开发，并提供易于使用的C / C ++，Python，C＃样式API。 使用YDLidar SDK，用户可以快速连接到YDLidar产品并接收激光扫描数据。 YDLidar SDK由YDLidar SDK通信协议，YDLidar SDK核心，YDLidar SDK API，Linux / windows示例和Python演示组成。 先决条件 Linux Windows 7/10，Visual Studio 2015/2017年 C ++ 11编译器 支持的语言 C / C ++ Python C＃ YDLidar SDK通信协议 YDLidar SDK通信协议向所有用户开放。 它是用户程序和YDLIDAR产品之间的通信协议。 该协议由控制命令和数

从LIDAR扫描/点云进行多对象检测，跟踪和分类，基于PCL的ROS包到检测/群集->跟踪->从实施的LIDAR扫描中实时对静态和动态对象进行分类i多对象检测，跟踪和分类从LIDAR扫描/点云基于PCL的ROS包到检测/群集->跟踪->通过C ++实现的LIDAR扫描实时对静态和动态对象进行分类。 特点：基于KD树的点云处理，用于从点云中检测对象特征基于无检测的欧几里得聚类（3D）或k-means聚类，基于检测到的特征并使用RANSAC（2D）进行稳定跟踪（对象ID和数据关联）

行人跟踪使用LiDAR传感器 客观的 利用来自LIDAR测量的传感器数据进行卡尔曼滤波器的行人跟踪。 状态预测 x'= Fx +ν方程为我们进行了这些预测计算。 过程噪声是指预测步骤中的不确定性。 我们假设物体以恒定的速度行进，但实际上，物体可能会加速或减速。 ν〜N（0，Q）符号将过程噪声定义为均值为零且协方差为Q的高斯分布。 当我们在一秒钟后预测位置时，不确定性就会增加。 P'= FPFT + Q表示不确定性的增加。 因为我们的状态向量仅跟踪位置和速度，所以我们将加速度建模为随机噪声。 Q矩阵包含时间Δt，以说明随着时间的流逝，我们对位置和速度的不确定性越来越大。 因此，随着Δt的增加，我们向状态协方差矩阵P添加更多不确定性。 结合先前推导的2D位置和2D速度方程式，我们得到： 由于加速度是未知的，因此我们可以将其添加到噪声分量中，并且该随机噪声将被解析地表示为上面得出的方程

三维点云数据读取并以RBG值信息进行显示，在matlab平台下运行