高精LiDAR+神经烘托3DGS的完美交融实践

  ，现已大范围的应用于布达佩斯 Kolosy广场、ZalaZone测验场等实在路途复原项目。整一个流程包含：

  选用搭载激光雷达（LiDAR）、高精度GNSS/INS体系的测绘车（如康谋DATALynx ATX4）履行移动激光扫描（MLS），经过aiData Recorder进行录制，首要路途至少制作两次，保证厘米级空间精度。

  运用aiData Annotator将多帧点云拼接为一致的大局坐标系，结合反射率、时刻戳等多通道信息构成高密度、低差错的空间点集。

  Tips：具体数据收集精度和点云数据格局可联络康谋技能团队获取，可接受第三方数据，但主张在收集前与咱们技能团队交流优化战略。

  根据聚合点云手艺标示路途元素：车道线、交通标志、人行道、护栏、红绿灯等。输出为GeoPackage格局的HD Map，用于无人驾驶体系参阅。

  接收Atlas程序化建模引擎，生成路途、地势等根底结构，再经过aiSim Unreal插件手艺啃咬修建、植被、街景设备，最大极限复现实际细节。为了获取最大精度，康谋将会选用DCC东西，例如Maya、Blender、Substance等东西运用可用数据构建新模型；

  传统方法当然精准，但高本钱、高周期、强人工依靠，难以支撑大规模、快速迭代的测验需求。

  本文共享的神经网络重建计划，则以NeRF+ 3DGS为核心技能，完结了从实在环境到仿线、仅需数日，完结街景重建

  验证3D方针检测精度、Mask2Former丈量像素一致性等方法，验证了神经重建场景在多摄像头视角下的

  运用DATALynx ATX4记载图画、LiDAR点云和自车位姿；引荐装备包含Hesai Pandar64、环视非鱼眼摄像头和NovAtel高精度组合导航体系。

  （2）数据转化：将原始数据转化为康谋格局，一致处理点云、图画和标定信息。

  （3）主动标示：运用aiData东西链去除动态方针、生成GT数据，完结非因果式追寻。

  （5）仿真布置与增强：在aiSim仿真渠道中集成重建场景，装备不同环境（暴雨、夜晚、雪天）、多模态传感器（摄像头、LiDAR、毫米波雷达等）与虚拟交通流。

  。咱们和很多同行们正在见证一场仿线）经过激光雷达的精准测绘保证厘米级精度（2）接收3DGS/NeRF完结场景的智能重建

  *博客内容为网友个人发布，仅代表博主个人自己的观念，如有侵权请联络工作人员删去。