정합 및 SLAM

ICP 또는 NDT와 같은 알고리즘이나 특징 기반 기법을 사용하여 포인트 클라우드를 정합하고, 3차원 포인트 클라우드 데이터나 2차원 라이다 스캔을 사용하여 SLAM 알고리즘 구현

포인트 클라우드 정합은 동일한 장면을 나타내는 2개의 3차원 포인트 클라우드를 공통 좌표계에 정렬하는 과정입니다. Lidar Toolbox™의 함수를 사용하면 Iterative Closest Point(ICP), Lidar Odometry and Mapping(LOAM), Normal-Distributions Transform(NDT), Fast Global Registration(FGR), Coherent Point Drift(CPD) 등의 국소 방법과 전역 방법으로 포인트 클라우드를 서로 정합할 수 있습니다. 또한 라이다 정합 분석기 앱을 사용하면 포인트 클라우드를 대화형 방식으로 정합할 수 있으며, 다양한 정합 방법의 결과를 비교하고 파라미터를 조정하며 전처리 단계를 추가할 수 있습니다. 자세한 내용은 Get Started with the Lidar Registration Analyzer App 항목을 참조하십시오.

동시적 위치추정 및 지도작성(SLAM)은 이동체 또는 로봇의 주변 환경을 기준으로 해당 이동체나 로봇의 위치와 방향을 계산하면서 동시에 그 환경의 맵을 작성하는 과정입니다. 이 툴박스는 포인트 클라우드 데이터를 사용하는 그래프 기반 3차원 SLAM을 지원합니다. 자세한 내용은 Implement Point Cloud SLAM in MATLAB 항목을 참조하십시오.

lidarscanmap 객체를 사용하여 2차원 라이다 스캔으로 SLAM을 수행할 수도 있습니다. 자세한 내용은 SLAM을 사용하여 2차원 라이다 스캔에서 맵 작성하기 항목을 참조하십시오.

앱

라이다 정합 분석기

라이다 포인트 클라우드 정합 결과 분석 (R2024a 이후)

함수

모두 확장

기하 변환

`pctransform`	3차원 포인트 클라우드 변환
`rigidtform3d`	3차원 강체 기하 변환 (R2022b 이후)
`affinetform3d`	3차원 아핀 기하 변환 (R2022b 이후)
`simtform3d`	3차원 유사 기하 변환 (R2022b 이후)
`transltform3d`	3차원 평행 이동 기하 변환 (R2022b 이후)
`estgeotform3d`	Estimate 3-D geometric transformation from matching point pairs (R2022b 이후)
`undistortEgoMotion`	Undistort point cloud affected by ego motion (R2023a 이후)

포인트 클라우드 병합

`pcalign`	Align array of point clouds
`pcmerge`	Merge two 3-D point clouds
`pccat`	Concatenate 3-D point cloud array

특징 검출, 추출 및 매칭

특징 검출

`detectISSFeatures`	Detect ISS feature points in point cloud (R2022a 이후)
`detectLOAMFeatures`	Detect LOAM feature points in point cloud (R2022a 이후)
`LOAMPoints`	Object for storing LOAM feature points (R2022a 이후)
`detectRectangularPlanePoints`	Detect rectangular plane of specified dimensions in point cloud
`detectRoadAngles`	Detect road angles in point cloud (R2022b 이후)

특징 추출

`extractFPFHFeatures`	Extract fast point feature histogram (FPFH) descriptors from point cloud
`extractEigenFeatures`	Extract eigenvalue-based features from point cloud segments (R2021a 이후)
`eigenFeature`	고유값 기반 특징을 저장하기 위한 객체 (R2021a 이후)

특징 매칭

pcmatchfeatures Find matching features between point clouds

정합

`pcregistericp`	Register two point clouds using ICP algorithm
`pcregisterloam`	Register two point clouds using LOAM algorithm (R2022a 이후)
`pcregisterfgr`	Register two point clouds using FGR algorithm (R2022b 이후)
`pcregisterndt`	Register two point clouds using NDT algorithm
`pcregistercorr`	Register two point clouds using phase correlation
`pcregistercpd`	Register two point clouds using CPD algorithm

2차원 SLAM

위치추정 및 지도작성

`lidarscanmap`	Simultaneous localization and mapping using 2-D lidar scans (R2022b 이후)
`addScan`	Add 2-D lidar scan to map (R2022b 이후)
`lidarScan`	2차원 라이다 스캔을 저장하기 위한 객체 생성

자세 최적화

`poseGraph`	Create 2-D pose graph from lidar scan map (R2022b 이후)
`updateScanPoses`	Update absolute poses of 2-D lidar scans (R2022b 이후)
`findPose`	Find absolute pose of 2-D lidar scan in map (R2022b 이후)
`matchScans`	Estimate pose between two laser scans
`matchScansGrid`	Estimate pose between two lidar scans using grid-based search
`matchScansLine`	Estimate pose between two laser scans using line features
`transformScan`	Transform laser scan based on relative pose (R2021a 이후)

루프 폐쇄 검출

`detectLoopClosure`	Detect loop closure in 2-D lidar scan map (R2022b 이후)
`addLoopClosure`	Add loop closure to map (R2022b 이후)
`deleteLoopClosure`	Delete loop closure between 2-D lidar scans (R2022b 이후)

3차원 SLAM

위치추정 및 지도작성

`pcmaploam`	Create map of LOAM feature points for map building (R2022b 이후)
`pcmapndt`	Localization map based on normal distributions transform (NDT) (R2021a 이후)
`pcmapsegmatch`	Map of segments and features for localization and loop closure detection (R2021a 이후)

자세 최적화

`pcviewset`	Manage data for point cloud based visual odometry and SLAM
`createPoseGraph`	Create pose graph
`optimizePoses`	Optimize absolute poses using relative pose constraints

루프 폐쇄 검출

`scanContextDistance`	Distance between scan context descriptors
`scanContextDescriptor`	Extract scan context descriptor from point cloud
`scanContextLoopDetector`	Detect loop closures using scan context descriptors (R2021b 이후)

도움말 항목

Implement Point Cloud SLAM in MATLAB
Understand point cloud registration and mapping workflow.
Get Started with the Lidar Registration Analyzer App
Interactively compare results of point cloud registration techniques.
특징을 사용하여 두 포인트 클라우드 간의 변환 추정
이 예제에서는 두 포인트 클라우드 간의 강체 변환을 추정하는 방법을 보여줍니다.
Match and Visualize Corresponding Features in Point Clouds
This example shows how to match corresponding features between point clouds using the pcmatchfeatures function and visualize them using the pcshowMatchedFeatures function.

추천 예제

Register Point Clouds Using Global and Local Registration Techniques

Combine global and local registration techniques to align significantly misaligned point clouds.

R2024b 이후
라이브 스크립트 열기

Simulate Safe Landing of UAV in Unexplored Environment Using Unreal Engine

Simulate the safe landing operation of an Unmanned Aerial Vehicle (UAV) in an unexplored environment.

라이브 스크립트 열기

Motion Compensation in 3-D Lidar Point Clouds Using Sensor Fusion

Compensate point cloud distortion due to ego vehicle motion by fusing data from Global Positioning System (GPS) and inertial measurement unit (IMU) sensors. The goal of this example is to compensate the distortion in the point cloud data and recreate the surroundings accurately.

라이브 스크립트 열기

Build a Map with Lidar Odometry and Mapping (LOAM) Using Unreal Engine Simulation

Build a map with the lidar odometry and mapping (LOAM) [1] algorithm by using synthetic lidar data from the Unreal Engine® simulation environment. In this example, you learn how to:

라이브 스크립트 열기

Map Indoor Area Using Lidar SLAM and Factor Graph

Implement offline lidar SLAM on collected lidar scans to map an indoor area using a factor graph and lidar scan map.

(Navigation Toolbox)

Build Map and Localize Using Segment Matching

Build a map with lidar data and localize the position of a vehicle on the map using SegMatch [1], a place recognition algorithm based on segment matching.

라이브 스크립트 열기

Feature-Based Map Building from Lidar Data

Demonstrates how to process 3-D lidar data from a sensor mounted on a vehicle to progressively build a map. Such a map is suitable for automated driving workflows such as localization and navigation. These maps can be used to localize a vehicle within a few centimeters.

라이브 스크립트 열기

Aerial Lidar SLAM Using FPFH Descriptors

Demonstrates how to implement the simultaneous localization and mapping (SLAM) algorithm for aerial mapping using 3-D features. The goal of this example is to estimate the trajectory of a robot and create a point cloud map of its environment.

라이브 스크립트 열기

Build Occupancy Map from 3-D Lidar Data Using SLAM

Demonstrates how to build a 2-D occupancy map from 3-D Lidar data using a simultaneous localization and mapping (SLAM) algorithm. This occupancy map is useful for localization and path planning for vehicle navigation. You can also use this map as a prebuilt map to incorporate sensor information.

라이브 스크립트 열기

SLAM을 사용하여 2차원 라이다 스캔에서 맵 작성하기

이 예제에서는 스캔 처리와 PGO(자세 그래프 최적화)를 사용해 일련의 2차원 라이다 스캔에 대해 SLAM 알고리즘을 구현하는 방법을 보여줍니다. 이 예제의 목표는 로봇의 궤적을 추정하고 환경의 맵을 작성하는 것입니다.

라이브 스크립트 열기

Collision Warning Using 2-D Lidar

Detect obstacles and warn of possible collisions using 2-D lidar data.

라이브 스크립트 열기

Build a Map from Lidar Data Using SLAM on GPU

Perform 3-D simultaneous localization and mapping (SLAM) using generated code on an NVIDIA^® GPU.

(GPU Coder)

Code Generation for Map Building from Lidar Data Using SLAM

Generate C++ code for building a map from lidar data using the simultaneous localization and mapping (SLAM) algorithm.

R2024a 이후
라이브 스크립트 열기