激光雷达的去畸变过程

在使用激光雷达设备采集点云的时候，我们都知道，激光雷达是边运动边采集的，每一个点云采集时的激光雷达的中心和姿态都是不一样的，如果不加以矫正，那么这一帧数据就会出现问题，比如采集一个平面的结构的时候，所采集的数据呈现出来的可能就是一个非平面。直接使用插值所的的旋转矩阵把雷达点变换到世界坐标系中，然后使用start点的旋转矩阵求逆，然后乘上世界点，就可以把imu世界点变换到start点所在的当前坐标系下，也就是假设start点的坐标系旋转矩阵是单位矩阵，平移矩阵是（0，0，0）。这样就完成了点的畸变矫正。

前言：这系列笔记是学习曾书格老师的激光slam课程所得，这里分享只是个人理解，有误之处，望大佬们赐教。这节课主要介绍激光的运动畸变去除相关知识。 1.概念介绍 1.1激光雷达传感器介绍 1.1.1　测距原理 三角测距、飞行时间 [比较便宜的，或者探测距离10米内的，激光雷达测距原理一般选择三角测距] [远距离使用飞行时间比较合适，但是想要短距离使用且保证精度，是非常有挑战性的][个人理解，短距离如1米范围，使用飞行时间原理的雷达测距，效果非常差] 1.1.2 特点 1）三角测距： a、中近距离精度较高[

激光点云的畸变校正0.引言1.理解几个坐标系的关系2.代码阅读 0.引言 校正由于运动引起的激光点云畸变。 参考阅读 点云去畸变的方法包括： 纯估计方法（ICP/VICP） 传感器辅助方法（IMU/ODOM） 融合的方法 这里学习的也是传感器辅助方法。多余的也不再赘述，自己理一下几个坐标关系并做记录。 1.理解几个坐标系的关系 畸变产生的原因如图所示，自己理解也是基于这张图进行理解。 图片来源 这个坐标系关系和后续的代码相对应。 通过线性插值，计算补偿矩阵的原理： 雷达扫描一帧的时间是固定的，

激光雷达去畸变原理

对激光雷达畸变去除的理解

运动畸变的来源：每一个激光点都有不同的基准位姿，但是我们处理的时候认为所有的激光点都是同一基准位姿，帧率很高的时候可以认为是同一位姿，2ms的段时间内机器人运动很小可以忽略，但当激光帧率很低时，就不能这样认为了。位姿通过线性插值获取，在这K个位姿之间，再进行线性插值，第一个插值表示在里程计队列的数据间进行插值，使得激光点ts有对应的位姿，第二个插值指在得到的两个位姿间进行插值为每一个激光点分配位姿。使用高斯核对环境进行高斯模糊后，机器人微小的位姿变化不会造成期望值发生突变，使其能进行优化还能找到次优解。

激光SLAM第三章作业去除运动畸变 这里写目录标题激光SLAM第三章作业去除运动畸变一、原理1、由于曲线可以通过分段来近似二、题目介绍1、题目描述2、解题步骤三、代码框架四、函数解析五、实际步骤1、安装champion_nav_msgs 一、原理 1、由于曲线可以通过分段来近似 二、题目介绍 1、题目描述 题目描述 1、本次的作业为实现一个里程计去除激光雷达运动畸变的模块 2、本次的作业里面有两个工程:champion_nav_msgs和LaserUndistortion；大家需要首先编译安装champi

本文参考知乎Alvin一路向东的《由粗到精学习LVI-SAM》专栏 1.为什么会产生畸变 与相机不同，相机的曝光时间都很短，每一帧之间的时间间隔很短，而且上一帧最后一个像素与当前帧第一个像素也没有连续关系，通常不考虑运动畸变。而激光雷达不同，激光雷达形成一帧点云，至少需要激光从一侧扫描到另一侧若干遍，而且激光雷达每一帧形成的时间都比较长，因此此过程中位姿变化也比较大，导致出现的点云与真实世界中差别很大，所以需要点云去畸变。 2.点云去畸变原理 上一帧点云的最后一个点就是当前帧点云的第一个点，这是点云去畸变的

kitti数据集，bag里点云的时刻是该帧点云起始时刻和终止时刻的平均值，所以应该往前移半个周期。

其中包括参考点。

在移动机器人、自动驾驶等场景中，激光雷达（LiDAR）用于获取高精度的空间点云数据。然而，当雷达在运动中扫描时，不同点的采集时刻对应的位置不同，就会出现“**运动畸变（Motion Distortion）**”，影响建图、定位等后续处理精度。 本文深入分析两种主流的畸变去除方案 —— 基于 **MCU** 和 **CPU** 的架构差异、同步方式、各自优劣，帮助你在项目中做出合适的系统设计决策。

第一种是速腾雷达,通过配置可以得到点云中每个点的时间,但是时间单位有问题,需要修正才能使去畸变正常工作.第二种是velodyne,不知道是什么原因没法得到点云中点的相对时间,所以需要去补偿时间,才能使去畸变正常工作.吐槽一下velodyne怎么样才能直接从雷达驱动获取点云每个点的时间,不太清楚怎么操作,github上的驱动太不详细了…

文章导读 激光雷达安装在自动驾驶车辆上，在车辆行驶过程中采集到的激光点云数据建立的三维环境模型存在一定的变形，不能真实反映某一时刻自动驾驶汽车的行驶环境。所以本文对获取一帧点云数据后如何做点云的运动补偿修复畸变问题进行讲解。 目录 点云畸变原理 畸变补偿方法 运动目标补偿 点云畸变原理 点云畸变是由于激光雷达采集数据的过程中，随着载体运动导致一帧点云中的点不是在同一时刻采集的，即不同激光点的坐标系不一致。 小编使用的是VLP-16，纵向排列着16个激光发射器和接收器。VLP-16的垂直测量角度

利用IMU进行激光点云运动畸变校正 1.思想原理 在激光SLAM定位与建图过程中，当激光雷达运动得比较慢没有比较大幅度的旋转时，可以不用考虑点云的运动畸变，在帧间匹配时依然能用ICP配准估计出雷达的位姿。但是在激光雷达运动幅度比较大时，就不得不考虑激光点云的运动畸变，可以采用IMU或者编码器提供的短时间位姿估计信息去除点云的运动畸变。在这里我采用的是IMU对点云的运动畸变进行去除，IMU输出的加速度信息积分很发散，如果是更差的IMU设备，更用不了加速度信息，在这里之考虑了利用IMU的角速度信息。在1帧的点云

1.传感器数据传入算法的过程 图中虚线框内重载了对激光雷达、IMU、里程计数据的添加操作。各传感器数据结构请参考cartographer_ros，剥离ROS前对这层外壳有深刻的理解，如需讲解请留言。 2.真正开始处理传感器数据 如图，AddSensorData处，重载了对三类set集合的传感器数据（雷达、IMU、里程计）的处理。上图为Imu和里程计数据的处理，下面着重介绍雷达数据的处理过程。 3.算法处理雷达数据的过程 很显然，2DSLAM的重点就在mapping/inte...

Cartographer源码阅读2D&3D-3D前端数据处理-IMU&3D点云 3D需要传入的数据包括：IMU（必须），点云数据(sensor_msgs::MultiEchoLaserScan或sensor_msgs::PointCloud2)，轮速计数据(可选，nav_msgs::Odometry，和2D相同，不再分析) IMU数据的处理 通过接收sensor_msgs::Imu数据，转换为sensor::ImuData数据： struct ImuData { // 时间 comm

有运动就有畸变。