點云建模的案例
衛星/航拍影像/雷達點云實景建模完美配置方案23v1
時間真快，進入2023年第1季度，計算硬件又開始升級換代，本方案--衛星/無人機影像/LiDAR點云處理應用硬件配置，我們采用intel第13代超頻處理器和nvidia RTX40系列架構，提供最新最快衛星影像3D建模的計算處理硬件方案，從臺式工作站、便攜現場處理工作站、超頻多機集群處理方案。。。
通過保證每個硬件配置和系統架構與應用實景建模算法計算特點匹配，以及對硬件設備進行優化，從而達到完美最佳計算處理能力。
變電站無人機自主巡檢全覆蓋
試點期間，永川公司創新應用了基于傾斜攝影的變電站三維模型采集，點云航線安全校驗等技術，制定了一種安全可靠、經濟實惠的技術路線，極大的降低了變電站無人機自主巡檢前期成本投入，為其他兄弟單位自主試點探索和規模化應用推廣提供重要保障。
基于傾斜攝影和點云建模的變電站自主巡檢
巡檢期間，無人機分別完成了首次飛行安全校驗、變電站日常例行巡視、變電站紅外特巡普測等既定動作，全過程均由無人機自主智能完成。前期，永川公司輸變電運檢中心、智能運檢分公司等相關技術人員，經過多次的研究、談論，分別針對220千伏常規變電站、220千伏戶外GIS變電站、110千伏常規變電站等不同場站設備制定了安全校驗、例行巡視、紅外普測、夜間巡視、檢修施工等多場景的典型應用。及時發現了站內避雷針銹蝕、絕緣子污穢以及部分連接點溫度異常等缺陷。
2021年，永川公司試點變電站無人機自主巡檢以來，積極探索以高空巡檢無人機、地面巡檢機器人、固定工業視頻、數字化表計、設備感知器等多技術手段應用，構建設備全感知，變電站全視角、無盲區的精益化巡檢，為今年電網度冬可靠供電提供保障。
（本文來自國網永川公司、金巡獎、CPEM全國電力設備管理網，由電力設備狀態監測整理。本號所刊發文章僅為學習交流之用，無商業用途，向原作者致敬。因某些文章轉載多次無法找到原作者在此致歉，若有侵權請告知，我們將及時刪除，本文僅供學習交流、我們注重分享，勿作商用，版權歸原作者。）
展開 康謀方案 | 高精LiDAR+神經渲染3DGS的完美融合實踐
一、從點云到高精地圖的重建
依托獨家的aiData工具鏈與aiSim仿真平臺，本文建立了一套高精度數字孿生地圖構建流程，已經廣泛應用于布達佩斯 Kolosy廣場、ZalaZone測試場等真實道路還原項目。整個流程包括：
（左）帶有標注的HD地圖、（中）裝飾HD地圖、（右）aiSim中渲染
1、數據采集
采用搭載激光雷達（LiDAR）、高精度GNSS/INS系統的測繪車（如康謀DATALynx ATX4）執行移動激光掃描（MLS），通過aiData Recorder進行錄制，主要路線至少繪制兩次，確保厘米級空間精度。
數采車示意圖
2、點云聚合
使用aiData Annotator將多幀點云拼接為統一的全局坐標系，結合反射率、時間戳等多通道信息形成高密度、低誤差的空間點集。
Tips：詳細數據采集精度和點云數據格式可聯系康謀技術團隊獲取，可接受第三方數據，但建議在采集前與我們技術團隊溝通優化策略。
3、高精地圖建模
基于聚合點云手工標注道路元素：車道線、交通標志、人行道、護欄、紅綠燈等。輸出為GeoPackage格式的HD Map，用于自動駕駛系統參考。
ZalaZone試驗場 LiDAR點云建模
ZalaZone試驗場衛星參考圖像
4、三維建模與裝飾
借助Atlas程序化建模引擎，生成道路、地形等基礎結構，再通過aiSim Unreal插件手工裝飾建筑、植被、街景設施，最大程度復現現實細節。
展開 為何全視覺方案無法實現真正的自動駕駛
同時，由于其能夠提供更多更高質量的點云，從而極大得擴展了毫米波的應用范圍，其點云致密度為環境信息探測能力提供了高度信息。在各種天氣和能見度條件下保持魯棒性，并在方位角和仰角上都能達到1度角分辨率。
總體來看，高分辨率4D毫米波雷達主要可以提供如下多方面的感知能力，從而可解決當前多方面的感知場景局限。
1）環向感知能力
4D毫米波雷達實現了四個維度的環境感知，包括距離、水平和垂直定位以及速度。這種感知能力我們稱之為其具備多維環向感知能力。
2）環境建模（Freespace）
4D毫米波雷達可以通過生成的較多點云提供更多的目標識別反饋信息，從而進行有效的環境目標建模，這個過程類似于激光雷達的點云信息建模。這種打點聚類的方式，可以輕易的識別出物體的類型信息。
環境信息建模
圖片來源：博世激光雷達環境感知團隊
3）自動泊車的輔助應用
APS這類應用，對于毫米波雷達來說是典型的短程雷達的應用。。也就是說，速度較低，探測距離較近，但對分辨率的要求較高。傳統的毫米波雷達由于其檢測能力的限制通常情況無法直接用于泊車場景，而4D毫米波雷達可以實現低速近距離場景下的信息有效探測和分辨，這就可以很好的將超聲波雷達所生成的信息進行有效的感知識別。
毫米波雷達車身布置與泊車應用
毫米波雷達在泊車市場中的布局已經凸顯的越來越明顯，有些廠家已經開始思索是否可以直接利用毫米波雷達直接代替超聲波雷達進行泊車控制。
展開 
為何全視覺方案無法實現真正的自動駕駛
當然本章重點還是介紹了毫米波雷達的感知原理及性能，未來如果是大域控方案的實施策略時，難免不會考慮利用毫米波輸入的原始點云數據進行綜合處理。這一過程類似于激光雷達的點云處理，這又涉及多方面的因素。如傳輸帶寬，點云建模模型以及域控制器綜合處理算法。在縱向感知方面，毫米波最強；橫向方面，激光最強。豐田和本田的方案，都是激光作為獨立感知，結果再跟攝像頭融合，最后得出最終目標。
基于點云的球銑加工動態仿真
圖5 坯件仿真結果
3.3結果分析
在坯件上兩次走刀后，得到圖5所示的點云模型，弧槽的走刀起始位置和結束位置沒有點發生外偏，兩次走刀的相交區域沒有錯位點產生，符合銑削實際。分離出坯件上被銑削到的弧槽面上點云a（圖6a），并將cad建模得到的網格模型中弧槽部分進行表面采樣得到點云b（圖6b）。計算得到點云a與點云b之間的最大距離為0.32 mm，均方根誤差為0.015，仿真精度較高[24,25]。
圖6 仿真點云與CAD建模點云
4 結語
本文建立的仿真模型動態地模擬了工件表面球銑時的變化過程，每次步進都產生準確結果，模型可視化且精度高。下一步工作將在此模型的基礎上，研究使用深度學習方法進行復雜工件的銑削工藝設計。
文章來源：現代計算機
展開 汽車傳感器市場分析，國產機會如何？
激光雷達在 L3 級自動駕駛中開始導入，并由于其高精度、實時 3D點云建模的特點將成為 L3-L5 中最為關鍵的傳感器。目前，大部分車載激光雷達還僅用于試驗原型車上，主要因為：
? 當前 L3 及以上的量產車較少，僅有 2017 年 7 月奧迪發布的全球首款 L3 級量產車A8，以及 2018 年 7 月百度發布的全球首款 L4 級量產巴士阿波龍。
? 由于 L3 無法清晰認定車輛和駕駛員的責任， Waymo、福特、沃爾沃等選擇跳過 L3、直接研發 L4，導致激光雷達進入量產車市場的速度放慢。
美國 Velodyne 的機械式激光雷達起步早、技術領先，最新已推出 128 線原型產品 VLS-128。同時， Velodyne 與谷歌、通用汽車、福特、 Uber、百度等全球自動駕駛領軍企業建立了良好的合作關系，占據了車載激光雷達大部分的市場份額。
當前機械式激光雷達的價格十分昂貴， Velodyne 在售的 64 線/32 線/16 線產品的官方定價分別為 8 萬/4 萬/8 千美元。一方面，機械式激光雷達由發射光源、轉鏡、接收器、微控馬達等精密零部件構成，制造難度大、物料成本較高；另一方面，激光雷達仍未大規模進入量產車、需求量小，研發費用等固定成本難以攤薄。 Velodyne 總裁麥克〃耶倫曾表示，如果一次性購買 100 萬臺 VLP-32，那么其售價將會降至 350~500 美元之間。
Velodyne 車載激光雷達產品線
激光雷達市場剛剛興起， L4+車規級激光雷達還未出現， Velodyne 的地位遠難稱穩固。
展開 關于毫米波雷達，你需要了解這些新趨勢
在自動駕駛中則希望毫米波雷達能夠得到視野中目標的具體空間位置，形成類似LiDAR這樣的點云去做環境建模，甚至通過機器學習方法直接分析出雷達點云中每個點對應的具體物體（是車輛還是行人），因此需要高分辨率毫米波雷達。為了實現高分辨率，毫米波雷達系統因此往往需要使用波束成形或MIMO等技術。在波束成形和MIMO技術中，必須使用多路雷達收發機。
波束成形系統示意圖，需要多路收發
為了提升波束成形和MIMO系統的方位精度，需要增加波束成形和MIMO系統中收發機的數量，因此目前在同一塊芯片中盡可能增加集成的收發機的數量就成了另一個技術進化方向，例如TI的AWR1243集成了3發（射機）4（接）收（機），NXP的MR3003集成了3發4收，而中國的初創公司加特蘭的Yosemite擁有4發8收。
最后必須指出的是，毫米波雷達在數字模塊集成度和收發機數量集成度上的取舍事實上對應了兩種不同的自動駕駛技術方向。對于主要針對輔助駕駛的傳統車廠，其對于毫米波雷達的空間分辨率技術演化預期通常比較平穩，同時傳統車廠對于成本和雷達模組復雜度等較為敏感，所以較合適的選擇是更重視毫米波雷達上的數字模組集成度，能夠集成MCU、DSP甚至一些AI加速模組等，從而能在雷達本地完成大部分信號處理以及一些AI相關處理，并降低總體模組的復雜度。
TI、NXP等半導體老牌公司主要面對的就是這類市場，因此我們可以看到TI和NXP在努力推進集成了MCU和／或DSP的毫米波雷達，而對于收發機集成度則并不激進。另一方面，L4-L5自動駕駛更重視的是毫米波雷達對于空間的分辨率以獲取更高精度的點云，而對于毫米波雷達芯片上的數字模塊并不非常在乎，因為毫米波雷達的點云最終都會送到自動駕駛系統中的高算力處理器上去做傳感器融合，所以毫米波雷達芯片上是否有強大的數字處理能力并非關鍵。
展開 達索系統第7代解決方案3D UNIV+RSES——釋放企業數據潛能，擁抱更值得信賴的工業AI
編輯
簡單來說，3D UNIV+RSES將人工智能、三維建模、仿真分析與現實場景數據深度融合，打造一體化智能平臺。我們不止提供AI技術賦能，更聚焦交付可落地的業務價值，助力客戶構建長期且不可替代的核心競爭優勢。
?編輯
零件建模：基于CATIA V6的智能建模新體驗
AI讓零件建模更高效、更精準，四大核心場景全面覆蓋設計需求。
1.基于點云的零件智能建模
拿到點云數據不用愁！AI全程助力逆向設計，快速還原零件三維結構，讓復雜曲面、精密輪廓的建模工作事半功倍。
2. 基于歷史經驗的智能建模
除了點云數據，工程師的設計思路也能被AI“讀懂”。接收造型專業提供的A面、總布置專業給出的斷面等核心設計信息后，AI會自動梳理建模邏輯、規劃實現路徑，按照既定思路，全程驅動 CATIA 完成從框架到成品的全流程建模，既貼合設計初衷，又大幅減少重復操作。
3. 生成式裝配設計師：AI驅動的裝配建模革命
在3D UNIV+RSES中，“生成式裝配設計師”新角色重磅上線，讓復雜裝配體建模更簡單。操作超便捷：你只需選擇“創建裝配體”功能，或用自然語言直接與系統對話，就能啟動流程。
3.1 AI全自動賦能
自動為每個零件生成機械接口，在精準匹配幾何形狀的同時，完成零件定位與裝配。
3.2 智能避坑+驗證
若遇到零件缺失等不一致問題，AI會實時提醒，避免流程卡殼，還能自動完成裝配體運動學驗證，提前排查隱患。
展開 性能提升45%---無人機航拍攝像建模臺式、便攜式、集群配置方案23v4
目錄
(一).高速傾斜攝影建模工作站硬件配置推薦
(二).移動/便攜傾斜攝影建模工作站硬件配置(單屏/三屏)
(三).衛星/航空影像/雷達點云/無人機航拍影像處理建模集群配置推薦
23v4期方案的技術特點：
（1）采用intel 14代超頻處理器（8核@5.8GHz）+RTX40系列GPU卡硬件架構，
（2）對整機的超頻+系統優化+低延遲等，性能進一步提升
（3）對多機超頻集群的每一個環節（計算、處理、數據讀寫）、網口帶寬全面均衡無死角，大幅提升集群整體處理速度
（4）支持所有主流數字攝影處理軟件（傾斜攝影建模、正射影像處理等），例如 Context Capture（單機、集群）、PIX4D（單機）、大疆智圖等
（5）這是目前（2023年12月底）最快的三維建模工作站、多機集群硬件配置方案
基準測試數據：
假設10000張圖片，分辨率6000*4000（2400萬像素），缺省設置
計算節點數量
空三+建模時間
處理張數/小時
處理張數/天
1臺
1天20時57分
222
5339
5臺
10時41分
936
22472
10臺
06時24分
1563
37500
20臺
04時15分
2353
56471
30臺
03時33分
2817
67606
結果：（1）單機每臺處理能力高達222張
展開 一文詳解智能駕駛感知系統測試技術
其采集的點云數據精確描繪了駕駛場景中各類物體的三維尺度與反射強度信息，能夠彌補攝像頭在數據形式和精度上不足。激光雷達在自動駕駛目標檢測與定位建圖等任務扮演著重要角色，僅靠單一視覺無法替代。
作為典型的復雜智能軟件系統，自動駕駛將激光雷達捕獲的周圍環境信息作為輸入，并通過感知模塊中的人工智能模型做出判斷，經系統規劃控制后，完成各類駕駛任務。雖然人工智能模型的高復雜性賦予了自動駕駛系統的感知能力，但現有的傳統測試技術依賴于點云數據手動收集和標注，成本高昂效率低下。另一方面，點云數據具有無序、缺少明顯的顏色信息、容易受到天氣因素干擾、且信號容易衰減，使得點云數據的多樣性在測試過程中尤為重要。
針對基于激光雷達的自動駕駛系統測試還處于初步階段。實際路測和仿真測試都存在代價昂貴、測試效率低下、測試充分性無法保證等問題。針對自動駕駛系統面臨的測試場景多變、軟件系統龐大復雜、測試成本巨大等問題，能夠結合領域知識提出測試數據生成技術對自動駕駛系統保障有著重要意義。
在雷達點云數據生成方面，Sallab等人 通過構建循環一致性生成對抗網絡對雷達點云數據進行建模，并對模擬數據進行特征分析生成新的點云數據。Yue等人提出了一個針對自動駕駛場景的點云數據生成框架，該框架通過精確地對游戲場景中的點云數據進行基于標注物體的變異，從而獲得新的數據，他們用該方法獲得的變異數據重新訓練自動駕駛系統的點云數據處理模塊，得到了較好的精確度提升。
本團隊設計并實現了一個激光雷達自動化測試工具 LiRTest, 主要用于自動駕駛汽車目標檢測系統的自動化測試，并且能夠進一步重新訓練以提升系統魯棒性。LiRTest 首先由領域專家設計了物理和幾何模型，然后根據模型構造變換算子。
展開 
