本文主要阐述ubuntu18.04安装pytorch的流程，项目要求做相关的研究及应用，在这里记录一下也跟大家分享。

运动补偿的基本原理是通过测量激光在发射和接收过程中的时间差来计算目标物体与激光雷达之间的距离，然后结合雷达运动过程中的速度信息进行运动补偿，从而得到准确的目标位置信息。由于激光雷达成像原理是利用接发器与时间计算来获取光点的位置，所以在传感器的空间运动时，会出现雷达拖影现象(点云畸变)，因此需要采用运动补偿来校准激光雷达的点云，本文及介绍下激光雷达的运动补偿原理及实现代码。在本文中IMU提供角速度和

传感器标定在测量领域是不可或缺的一部分，相机标定较为简单，现在主流标定方法采用棋盘格标定、圆点标定等方式完成。本文从简单入手，应用opencv 中的标定方法实现相机标定。

在应用3D检测时，项目中总会需要采集数据，来离线分析问题，而点云数据往往较为庞大，因此需要通过数据类型的转换来保存点云数据，达到数据压缩的效果。本文仅对PCL中的pcl::PointXYZI进行数据压缩，其他类型可以仿照参考即可完善。

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。而在聚类领域里面，多采用欧几里得、区域生长、Ransac等方法实现聚类。其实还有一种方法可实现聚类，也就是CloudCompare软件内的标签连通域聚类方法。这种方法的好处是耗时较短，也同样能够实现较高精度的距离聚类。本文根据其特性做出相对应的修改，使其能够脱离CC软件插件，用C++程序以及PCL点云库实现。...

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。一般在实施检测之前，均需要删除地面点云才能确保后续其他障碍物点云数据的提取精度，防止因为地面点云产生干扰。............

在应用3D检测时，项目中总会需要采集数据，来离线分析问题，而点云数据往往较为庞大，因此需要通过数据类型的转换来保存点云数据，达到数据压缩的效果。本文仅对PCL中的pcl::PointXYZI进行数据压缩，其他类型可以仿照参考即可完善。

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。而在聚类领域里面，多采用欧几里得、区域生长、Ransac等方法实现聚类。其实还有一种方法可实现聚类，也就是CloudCompare软件内的标签连通域聚类方法。这种方法的好处是耗时较短，也同样能够实现较高精度的距离聚类。本文根据其特性做出相对应的修改，使其能够脱离CC软件插件，用C++程序以及PCL点云库实现。...

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。而在聚类领域里面，多采用欧几里得、区域生长、Ransac等方法实现聚类。其实还有一种方法可实现聚类，也就是CloudCompare软件内的标签连通域聚类方法。这种方法的好处是耗时较短，也同样能够实现较高精度的距离聚类。本文根据其特性做出相对应的修改，使其能够脱离CC软件插件，用C++程序以及PCL点云库实现。...

c++ 运行pytorch模型