Lidar的案例
康謀分享 | aiSim5激光雷達(dá)LiDAR模型驗(yàn)證方法（二）
aiSim中的LiDAR是一種基于光線追蹤的傳感器，能夠模擬真實(shí)LiDAR發(fā)射的激光束，將會生成LAS v1.4標(biāo)準(zhǔn)格式的3D點(diǎn)云，包含了方位角、俯仰角和距離等。
aiSim能夠模擬LiDAR單態(tài)（Monostatic）和同軸（Coaxial）配置。在aiSim中，LiDAR仿真是將模型建為在某個方向上發(fā)射單束光線的點(diǎn)光源，因此，單束光線承載了激光的全部功率。
一、與不同形式降水的相互作用
LiDAR傳感器與不同形式的降水有相互作用：
1、雨天
aiSim的LiDAR模型不會將雨滴視為影響激光反射的幾何形狀，而是基于強(qiáng)度和3D坐標(biāo)，添加噪聲，從而模擬降雨對于ADAS中LiDAR性能的衰減。
圖1：雨天aiSim5激光雷達(dá)點(diǎn)云（2L）
圖2：晴天aiSim5激光雷達(dá)點(diǎn)云（2L）
對于雨天的衰減，主要使用公式：
e^(-2·R·γ)
其中R是接收器到物體的距離；γ為大氣消光系數(shù)，晴天則為0。
2、霧天
aiSim在仿真中設(shè)定“濃霧”中水滴半徑為5μm，可調(diào)整空氣中水滴的數(shù)量來控制霧氣的大小，同樣采用了與雨天相同的衰減公式。
3、雪天
aiSim仿真的激光光束一旦擊中雪花時，aiSim AIR引擎就會計(jì)算返回光束的強(qiáng)度。考慮雪花表面的不規(guī)則性，其將會被視為白色漫反射模型，將會導(dǎo)致光束在多個方向上散射，從而影響返回信號的強(qiáng)度和質(zhì)量。
圖3：雪天aiSim5激光雷達(dá)點(diǎn)云（2L）
圖2：晴天aiSim5激光雷達(dá)點(diǎn)云（2L）
二、與不同材料的相互作用
aiSim的基于物理的LiDAR模型還會和不同的材料具有相互作用，與Filament相似，能夠提供高度真實(shí)和準(zhǔn)確的光線與材質(zhì)交互模擬結(jié)果。
展開 機(jī)載LiDAR在滑坡識別中的應(yīng)用
機(jī)載LiDAR技術(shù)在緩傾地層滑坡
及其拉裂槽識別中的應(yīng)用
賀鵬,1,2, 顏瑜嚴(yán)3, 文艷3, 馬志剛3, 焦其松4, 郭兆成,2, 莫悠2
1．中國地質(zhì)大學(xué)(北京)地球科學(xué)與資源學(xué)院,北京 100083
2．中國自然資源航空物探遙感中心,北京 100083
3．四川省國土空間生態(tài)修復(fù)與地質(zhì)災(zāi)害防治研究院,成都 610081
4．國家自然災(zāi)害防治研究院,北京 100085
摘 要：
緩傾地層滑坡是我國西南地區(qū)常見的一種特殊災(zāi)害類型,拉裂槽為其典型識別標(biāo)志。由于災(zāi)害源區(qū)植被茂密、地形復(fù)雜,常規(guī)地面調(diào)查或遙感手段均存在局限性,較難高效、有效地對其進(jìn)行識別提取。作為新興遙感技術(shù)之一的機(jī)載激光雷達(dá)(light detection and ranging, LiDAR)技術(shù)及其數(shù)據(jù)可視化分析方法為緩傾地層滑坡的準(zhǔn)確識別提供了新的解決方案。利用無人機(jī)搭載長測程LiDAR可獲取高分辨率數(shù)字高程模型,結(jié)合空天視域因子、系列山體陰影圖和三維形態(tài)模擬等多種可視化方法,可實(shí)現(xiàn)緩傾地層滑坡及其拉裂槽的有效識別。文章以四川省北部通江縣春在鎮(zhèn)周邊作為研究區(qū),選取糯鼓寨村南部新識別滑坡隱患作為典型案例,利用綜合遙感識別方法,實(shí)現(xiàn)基于機(jī)載LiDAR數(shù)據(jù)的滑坡隱患識別標(biāo)志構(gòu)建、邊界準(zhǔn)確判識、拉裂槽位置識別及信息提取,結(jié)合野外核查驗(yàn)證結(jié)果,從定性和定量2個方面驗(yàn)證機(jī)載LiDAR技術(shù)對高植被區(qū)緩傾地層滑坡及其拉裂槽識別應(yīng)用的有效性。
展開 機(jī)載LiDAR與傾斜攝影測量在地質(zhì)災(zāi)害中的應(yīng)用
引文格式: 張小青.機(jī)載LiDAR與傾斜攝影測量在地質(zhì)災(zāi)害中的應(yīng)用[J].北京測繪,2022,36(10):1327-1331.
基金項(xiàng)目：福建省教育廳課題(JAT210750);三明引導(dǎo)性課題(2021-S-71)
作者簡介：張小青(1980—),女,江西東鄉(xiāng)人,碩士,講師,高級工程師,研究方向?yàn)榈乩硇畔⑾到y(tǒng)應(yīng)用
文章來源：測繪學(xué)術(shù)資訊
康謀方案 | 高精LiDAR+神經(jīng)渲染3DGS的完美融合實(shí)踐
三、重建工作流：從采集到仿真部署
神經(jīng)網(wǎng)絡(luò)重建方案遵循高度自動化流程：
流程圖
（1）數(shù)據(jù)采集： 使用DATALynx ATX4記錄圖像、LiDAR點(diǎn)云和自車位姿；推薦配置包括Hesai Pandar64、環(huán)視非魚眼攝像頭和NovAtel高精度組合導(dǎo)航系統(tǒng)。
（2）數(shù)據(jù)轉(zhuǎn)換：將原始數(shù)據(jù)轉(zhuǎn)化為康謀格式，統(tǒng)一處理點(diǎn)云、圖像和標(biāo)定信息。
（3）自動標(biāo)注： 利用aiData工具鏈去除動態(tài)目標(biāo)、生成GT數(shù)據(jù)，實(shí)現(xiàn)非因果式追蹤。
環(huán)視系統(tǒng)自動標(biāo)注
（4）神經(jīng)網(wǎng)絡(luò)訓(xùn)練： 使用NeRF/3DGS算法生成高精度三維場景。
（5）仿真部署與增強(qiáng)： 在aiSim仿真平臺中集成重建場景，配置不同環(huán)境（暴雨、夜晚、雪天）、多模態(tài)傳感器（攝像頭、LiDAR、毫米波雷達(dá)等）與虛擬交通流。
雨天場景
四、仿真世界，無需困于“假”
在自動駕駛技術(shù)快速發(fā)展的今天，數(shù)字孿生已從簡單的場景復(fù)制，進(jìn)化為具備真實(shí)物理特性的虛擬世界。我們和眾多同行們正在見證一場仿真技術(shù)的革命：
（1）通過激光雷達(dá)的精準(zhǔn)測繪確保厘米級精度
（2）借助3DGS/NeRF實(shí)現(xiàn)場景的智能重建
（3）融合傳統(tǒng)與創(chuàng)新的技術(shù)優(yōu)勢
康謀致力于將傳統(tǒng)構(gòu)建流程與前沿神經(jīng)網(wǎng)絡(luò)重建技術(shù)相融合，用速度、真實(shí)與自動化重塑自動駕駛仿真測試的范式。
展開 
最佳實(shí)踐：千巡翼Q30+機(jī)載LiDAR在水域三維數(shù)據(jù)采集中的應(yīng)用
機(jī)載LiDAR是近年來興起的獲取高精度地理信息數(shù)據(jù)的重要手段，具有成果精度高、數(shù)據(jù)生成快、植被穿透強(qiáng)等特點(diǎn)，日益受到作業(yè)單位的青睞。
2022年7月份，千尋位置數(shù)字網(wǎng)格合作伙伴攜千巡翼Q30復(fù)合翼無人機(jī)、QX-1845R機(jī)載LiDAR赴山東泰安某流域進(jìn)行高精度地形數(shù)據(jù)獲取，僅飛行一架次約46分鐘便獲取了6km2高精度點(diǎn)云和正射影像數(shù)據(jù)！
測區(qū)概況
項(xiàng)目地點(diǎn)位于山東省泰安市，地處平原，現(xiàn)場無高落差山峰及建筑物。測區(qū)為長度10公里的帶狀河流，河道最寬處近400米，兩岸村莊房屋較多，植被茂密，測區(qū)范圍見下圖：
測區(qū)概況
成果要求
提交成果：真彩色點(diǎn)云、正射影像圖
坐標(biāo)系：CGCS2000，1985高程
精度要求：點(diǎn)云精度平面與高程中誤差優(yōu)于10cm；正射影像圖平面中誤差優(yōu)于10cm
項(xiàng)目工期：2天
其他要求：點(diǎn)云地面點(diǎn)密度優(yōu)于8pt/m2，正射影像圖地面采樣距離優(yōu)于8cm。
設(shè)備選擇
考慮到該項(xiàng)目時間緊，任務(wù)重，普通旋翼無人機(jī)掛載入門級激光雷達(dá)需要作業(yè)2~3天，同時由于穿透性差，難以滿足點(diǎn)云地面點(diǎn)數(shù)要求。
展開 基于 LiDAR 點(diǎn)云的 3D 物體檢測算法 ｜ 焉知課堂
前言
雖然業(yè)界有很多的爭論，但是 LiDAR 在目前的 L3/L4 級自動駕駛系統(tǒng)中依然是不可或缺的傳感器，因?yàn)樗梢蕴峁┏砻艿?3D 點(diǎn)云，非常精確的測量物體在 3D 空間中的位置和形狀，而這是攝像頭和毫米波雷達(dá)很難做到的。那么相應(yīng)的，基于 LiDAR 點(diǎn)云的感知算法也就成為了近年來自動駕駛研發(fā)的重點(diǎn)之一。與圖像的感知算法類似，LiDAR 點(diǎn)云的感知算法也分為物體檢測（包括跟蹤）和語義分割兩大類。這篇文章主要關(guān)注基于 LiDAR 點(diǎn)云的物體檢測算法，語義分割算法留待以后再做介紹。
很多綜述性的文章把 LiDAR 點(diǎn)云的物體檢測算法粗略分為四類：Multi-view 方法，Voxel 方法，Point 方法，以及 Point 和 Voxel 結(jié)合的方法。這種基于分類的綜述更像是一個算法圖書館，讀者可以根據(jù)關(guān)鍵字（或者說關(guān)鍵技術(shù)）進(jìn)行索引，方便于查詢和歸檔，可能更適合于該領(lǐng)域內(nèi)的工作者。但是我想并不是所有的讀者都對這個方向有比較深入的了解，直接講方法分類和技術(shù)細(xì)節(jié)可能會從一開始就讓讀者迷失在算法的森林里。
所以，與一般的綜述不同，在這篇文章里我以時間為線索，將 LiDAR 點(diǎn)云物體檢測的發(fā)展歷程粗略地劃分為了四個時期：萌芽期，起步期，發(fā)展期和成落地期。
我會從技術(shù)發(fā)展的角度，結(jié)合自己在研究中的一些體會來介紹各種算法。這篇綜述的目的不在于包羅這個方向所有的文章，我只會選一些在技術(shù)發(fā)展的道路上具有重要意義的工作。當(dāng)然本人水平有限，其中肯定會有疏漏。但是，如果大家讀完以后能夠?qū)υ摲较虻陌l(fā)展脈絡(luò)有一個基本的認(rèn)識，那我想我的目的就達(dá)到了。
基本概念
在進(jìn)入具體的介紹之前，還是有必要簡單說一下一些基本的概念。
展開 3DGS 與 OpenMATERIAL：場景表示與材質(zhì)標(biāo)準(zhǔn)的分層協(xié)同
掃描強(qiáng)度編碼為 Gaussian 的一個維度特征，為 LiDAR 仿真提供支持，但該強(qiáng)度特征是靜態(tài)、視角無關(guān)的標(biāo)量，無法準(zhǔn)確反映真實(shí) LiDAR 傳感器固有的方向依賴性。
蘋果挑選激光雷達(dá)供應(yīng)商的原則：產(chǎn)品越小越好
去年，蘋果公司使用來自圣何塞的Velodyne LiDAR的激光雷達(dá)傳感器在加州的公共道路上測試了62輛自動駕駛汽車，行駛了80,000英里。（相比之下，Alphabet Inc.旗下的Waymo去年在加州道路上行駛了120萬英里。）
目前，蘋果公司暫時還未確定最終與哪家Lidar公司合作，不過從挑選供應(yīng)商產(chǎn)品原則上看，毫無疑問 MEMS Lidar是未來發(fā)展的趨勢。同時，據(jù)報(bào)道蘋果的工程師正在繼續(xù)開發(fā)自己的激光雷達(dá)傳感器，以防他們找不到適合自己標(biāo)準(zhǔn)的第三方傳感器。
一種新型的激光雷達(dá)，分辨率創(chuàng)記錄
LiDAR 已成為一種至關(guān)重要的傳感器，因?yàn)樗哂羞h(yuǎn)距離高分辨率的能力，并且不受光照或天氣等環(huán)境條件的影響。
然而，LiDAR 遠(yuǎn)非完美，許多不同形式的 LiDAR 競相成為該技術(shù)的未來。
激光雷達(dá)技術(shù)和應(yīng)用示例
最近，加州大學(xué)伯克利分校的研究人員發(fā)表了一篇新的研究論文，描述了一種基于 MEMS 的新型 FPSA LiDAR 系統(tǒng)，該系統(tǒng)聲稱其性能指標(biāo)令人印象深刻。
本文將討論 FPSA 技術(shù)、它面臨的挑戰(zhàn)以及伯克利研究人員如何解決這些問題。
FPSA 激光雷達(dá)
追求固態(tài)激光雷達(dá)的主要技術(shù)之一是FPSA。
FPSA 是一種技術(shù)，它通過使每個 LiDAR 像素由單個光學(xué)天線、熱光移相器或開關(guān)組成。這些像素以矩陣形式排列，一次驅(qū)動一個像素，其中像素的開關(guān)控制向每個天線的供電。
就像相機(jī)的光學(xué)系統(tǒng)一樣，F(xiàn)PSA 視場 (FOV) 內(nèi)的每個角度都被映射回一個像素，收集光線并創(chuàng)建照明區(qū)域的 3D 地圖。
焦平面開關(guān)陣列光束掃描儀
FPSA 技術(shù)背后的理念是，通過一次驅(qū)動每個像素，每個像素都可以接收驅(qū)動激光器的所有可用功率，這意味著更遠(yuǎn)的范圍和更高的分辨率。
展開 直播預(yù)告 | 基于VTD的Lidar訓(xùn)練數(shù)據(jù)集構(gòu)建方案分享
本期海克斯康直播講堂請到了自動駕駛仿真專家葉立斌老師為我們帶來基于VTD的Lidar數(shù)據(jù)集構(gòu)建方案，從激光雷達(dá)物理建模到數(shù)據(jù)集獲取方案，為我們帶來高質(zhì)量數(shù)據(jù)獲取的最新方法，敬請關(guān)注！
8月29日 14:00
▲ 掃碼參與報(bào)名
立即預(yù)定
直播內(nèi)容聚焦
?? VTD中激光雷達(dá)物理建模簡介
?? VTD中數(shù)據(jù)集獲取方案介紹
?? VTD中獲取數(shù)據(jù)在開源3D檢測算法驗(yàn)證
葉立斌
海克斯康自動駕駛仿真軟件專家
負(fù)責(zé)VTD基礎(chǔ)功能測試和VTD中各類復(fù)雜傳感器的拓展開發(fā)以實(shí)現(xiàn)VTD在自動駕駛不同階段的測試和應(yīng)用。深度了解仿真軟件在自動駕駛測試開發(fā)中的應(yīng)用，針對客戶不同需求，提供定制化的解決方案，切實(shí)解決客戶問題。
展開 ICRA 2021自動駕駛相關(guān)論文匯總
SA-LOAM: Semantic-Aided LiDAR SLAM with Loop Closure
2.Greedy-Based Feature Selection for Efficient LiDAR SLAM https://arxiv.org/abs/2103.13090
3. Inertial Aided 3D LiDAR SLAM with Hybrid Geometric Primitives in Large-Scale Environments
4. π-LSAM: LiDAR Smoothing and Mapping with Planes
5.R-LOAM: Improving LiDAR Odometry and Mapping with Point-To-Mesh Features of a Known 3D Reference Object https://ieeexplore.ieee.org/document/9357902
6.LoLa-SLAM: Low-Latency LiDAR SLAM Using Continuous Scan Slicing https://ieeexplore.ieee.org/document/9359468
7.
展開 
無人機(jī)激光雷達(dá)測繪系統(tǒng)應(yīng)用
無人機(jī)LiDAR激光探測與測量
LiDAR激光探測與測量，也就是激光雷達(dá)。是一種遙感技術(shù)，它使用快速激光脈沖來繪制地球表面的地圖。LiDAR 在用于創(chuàng)建用于各種業(yè)務(wù)應(yīng)用程序的高分辨率數(shù)字表面、地形和高程模型時非常有用。
在過去的十年中，無人機(jī)在農(nóng)業(yè)環(huán)境測繪的監(jiān)測領(lǐng)域發(fā)展迅速，而無人機(jī)激光雷達(dá)掃描系統(tǒng)使得無人機(jī)在測繪監(jiān)測領(lǐng)域的市場更為廣闊。
LiDAR 系統(tǒng)，可以收集和映射對象的詳細(xì)信息和精確的 3D 模型：例如，植物、樹木、建筑物、堤防等基礎(chǔ)設(shè)施和地表。
光探測和測距 (LiDAR) 的工作原理是將激光脈沖快速連續(xù)地發(fā)送到一系列準(zhǔn)確定義的方向。測量每個激光脈沖從目標(biāo)反射并返回到 LiDAR 掃描儀所需的傳播時間，可以重建掃描儀周圍表面的距離和方向。將 LiDAR 掃描儀連接到像無人機(jī)這樣的移動平臺上，可以在無人機(jī)平臺向前移動時對更大的表面積進(jìn)行 3D 映射。
激光雷(LiDAR)搭載無人機(jī)的應(yīng)用領(lǐng)域
1.事故現(xiàn)場
LiDAR 是一種主動系統(tǒng)，它使用紫外光、近紅外光對不需要外部光的物體進(jìn)行成像以進(jìn)行有效映射。例如，在夜間監(jiān)測洲際堆積時，可以輕松部署配備 LiDAR 無人機(jī)，單次通過現(xiàn)場。
作為基于無人機(jī)的解決方案，可以即時返回具有可見細(xì)節(jié)的準(zhǔn)確信息，然后可以作為證據(jù)在法庭上接受。在地面，清障人員和環(huán)衛(wèi)人員可以快速開始清理過程，通過解放通勤者和減少事故人員的開支，節(jié)省數(shù)千甚至數(shù)百萬美元。
2. 農(nóng)林調(diào)查
森林規(guī)模龐大，管理這些廣闊的地區(qū)可能會讓人不知所措。評估森林清單的傳統(tǒng)方法既耗時又低效——有時僅僅是大面積的粗略估計(jì)。
展開 自動駕駛感知數(shù)據(jù)閉環(huán)簡析
Lidar反射點(diǎn)的信息
雖然不同的Lidar設(shè)備廠家描述點(diǎn)云的數(shù)據(jù)形式不同，發(fā)送出來的格式不同，但究其本質(zhì)都是對點(diǎn)云的數(shù)據(jù)描述。因此，各大廠商的Lidar發(fā)送出來的數(shù)據(jù)結(jié)構(gòu)都是類似的。在此，我們以Velodyne 16線Lidar為例講述。
下圖所示是Velodyne 16線Lidar在單回波模式下發(fā)送的數(shù)據(jù)結(jié)構(gòu)。每一個區(qū)域里都存放著固定字節(jié)大小的數(shù)據(jù)，整個區(qū)域組成了數(shù)據(jù)包（Data Block）。每個 Data Block里面包括了Head（數(shù)據(jù)頭部區(qū)域），Data（點(diǎn)云數(shù)據(jù)存放區(qū)）和Tail（數(shù)據(jù)尾部區(qū)域，有些Lidar硬件不發(fā)送尾部數(shù)據(jù)域）。Head和Tail里面通常存儲一些用來通信校驗(yàn)的數(shù)據(jù)以及Lidar的自身工作狀態(tài)參數(shù)等，Data域里包含很多Channel域，每一個Channel里存放著一個點(diǎn)的信息。固定數(shù)量的點(diǎn)云數(shù)據(jù)整齊而緊密地排列在一起，組成了中間的Data域。最后打包成的Data Block是一塊Bytes大小固定的數(shù)據(jù)區(qū)。
圖6. Velodyne 16線Lidar發(fā)送的數(shù)據(jù)包結(jié)構(gòu)示意圖
圖片來源：Velodyne官網(wǎng)
Lidar的工作模式有單回波和雙回波之分。簡單來講，Lidar發(fā)射出來的激光束是有面積的，打在物體表面的是一小片區(qū)域，如果激光束剛好打在了物體邊界，那么就會有一部分留在近處的物體上，另一部分觸碰到更遠(yuǎn)的物體，這時一個發(fā)射信號就會有兩個回波信號，這就是雙回波原理。在單回波模式下，可以選擇光強(qiáng)高或低，距離近或遠(yuǎn)的回波。而通常情況下，雙回波模式的數(shù)據(jù)大多都是重復(fù)的，所以，一般都會選擇讓Lidar在單回波模式下工作，并選擇光強(qiáng)高&距離近的回波作為原數(shù)據(jù)。
展開 一種面向自動駕駛汽車定位的基于深度神經(jīng)網(wǎng)絡(luò)的大尺度建圖方法
韋斯頓等人[14]提出了一種使用原始雷達(dá)（radar）數(shù)據(jù)和LiDAR數(shù)據(jù)通過DNN創(chuàng)建占用柵格地圖的技術(shù)。雷達(dá)傳感器能夠檢測遠(yuǎn)距離和部分被遮擋的物體，并且比LiDAR便宜，但眾所周知，由于存在多種相關(guān)噪聲偽影，雷達(dá)掃描難以解釋，而LiDAR系統(tǒng)提供精確、細(xì)粒度的測量。DNN使用由LiDAR數(shù)據(jù)生成的部分占用標(biāo)簽進(jìn)行訓(xùn)練，并在動態(tài)城市環(huán)境中根據(jù)5小時的記錄數(shù)據(jù)進(jìn)行評估。
吳等人[15]提出了SqueezeSeg，這是一種CNN（卷積神經(jīng)網(wǎng)絡(luò)），用于對來自LiDAR點(diǎn)云的道路對象（例如汽車、行人和騎自行車者）進(jìn)行語義分割。
CNN使用來自KITTI數(shù)據(jù)集[16]標(biāo)記好的LiDAR點(diǎn)云和來自高保真游戲引擎的模擬LiDAR的數(shù)據(jù)進(jìn)行訓(xùn)練。SqueezeSeg的輸入是點(diǎn)云，輸出是由條件隨機(jī)場 (CRF) 細(xì)化的逐點(diǎn)標(biāo)簽圖。每個點(diǎn)云的處理時間為8.7毫秒。Aksoy等人提出的SalsaNet[17]也是一個神經(jīng)網(wǎng)絡(luò)，它直接從LiDAR點(diǎn)云中分割出可供駕駛的自由空間和車輛。訓(xùn)練過程使用KITTI數(shù)據(jù)集[16]，但它不提供可供駕駛的自由空間標(biāo)簽，因此他們提出了一個自動系統(tǒng)，使用神經(jīng)網(wǎng)絡(luò)MultiNet[18]在點(diǎn)云中對其進(jìn)行標(biāo)注。然后點(diǎn)云表示為4D鳥瞰圖，其中包含有關(guān)最大和最小高度、反射率和投影點(diǎn)數(shù)量的信息。該圖像用作訓(xùn)練DNN的輸入。SalsaNet結(jié)果顯示平均IoU為79.74%，而SqueezeSeg結(jié)果顯示平均IoU為69.80%。
卡爾塔吉隆等[11]提出了一種僅使用LiDAR數(shù)據(jù)檢測道路的神經(jīng)網(wǎng)絡(luò)方法。
DNN的輸入是LiDAR的頂視圖圖像，其中點(diǎn)以灰度表示，代表平均海拔和密度。
展開 主流激光雷達(dá)分類及原理
FMCW Lidar: Scaling to the Chip-Level and Improving Phase-Noise-Limited Performance. eScholarship, University of California.
2.SENSING-AIOT.(2021). LiDAR: FMCW vs. ToF. http://4da.tech/?p=272
3.AEye, Inc.(2021)Time of Flight vs. FMCW LiDAR Side-by-Side Comparison FMCW sToF_21_0113.
4.Liu, Z., Zhang, F., & Hong, X. (2021). Low-cost retina-like robotic lidars based on incommensurable scanning. IEEE/ASME Transactions on Mechatronics.
4.http://www.wrdrive.com/news/show.php?
展開 