PCA作业：在这里插入代码片

bag_to_pcd：方法一：$ rosrun pcl_ros bag_to_pcd <input_file.bag> <topic> <output_directory>/*其中<input_file.bag>应该改为自己的包名字，<topic>改为自己打话题名，<output_directory>代表会在当前目录下生成一个

三维点云处理：平面法向量估计平面的法向量：垂直于平面的直线所表示的向量为该平面的法向量。找一堆点最小特征值对应的特征向量应用：1、寻找地面：法向量朝上的2、分割、聚类算法一、求法向量的方法：平面法向量的算法步骤：我们有很多点，要找一个平面使得每一个点投影到这个法向量上面的数值之和最小。乘积即为投影C和n都是独立的，我们先看c,c就是下图右边的中心点：然后对其进行一次正规化：也就是减去其中值，就可以

一、序：我们收集到的点云信息往往包含很多实际上并不存在的点，这些点会很大程度上影响我们对于点云的处理。因此需要我们设计不同的滤波器来去噪。二、去噪：Ps:BF双边滤波，MED 中值滤波，AVE均值滤波2.1 Radius Outlier removel(离群值清除):思想：**如果不是噪声，那么它的附近将会有不少的点，而噪声附近点的数量应该明显少于有用点附近点的数量。**所以有：1、对于每个点，取

ROS理论和实践—第五章机器视觉最近在学胡春旭大神的ROS理论和实践，想把学习过程和作业记录下来，希望能和大家一起交流，一起学习进步。今天看到了第五章机器视觉和机器语音。从我学的地方开始吧，以后有时间再把之前的补上来。我自己学的话主要是看视频，自己在Ubuntu上运行命令行，出现问题，解决问题。一、 ros+opencv之人脸识别：下载安装opencv、创建功能包和加入robot_vision编译

本文综述了激光SLAM技术的最新进展，系统介绍了其核心流程和关键技术。激光SLAM利用激光雷达的高精度特性，通过传感器预处理、前端里程计、后端优化和地图管理等模块实现位姿估计与地图构建。重点分析了特征提取方法（边缘/平面/高度特征）、扫描匹配算法（ICP/特征匹配）以及因子图优化等后端技术，比较了2D与3D激光SLAM的差异。文章还探讨了GMapping、Hector等经典算法及LOAM系列等现代

一、背景:在10.lego-loam的编译、安装、运行以及结果的保存的基础上进行地面点和非地面点的提取.使用的PCD数据是10.lego建图保存的,使用的方法是PCL的平面分割,用RANSAC分割法,更多注释见如下代码.二、代码:#include <iostream>#include <pcl/io/pcd_io.h>//#include <pcl/io/ply_io

平面拟合算法实现点云中的地面部分提取由于上一篇提出的基于ROS的通过计算夹角实现点云中的地面部分提取中存在以下不足：1、存在少量噪点，不能彻底过滤出地面;2、非地面的点容易被错误分类，造成非地面点缺失;3、对于目标接近激光雷达盲区的情况，会出现误分割，即将非地面点云分割为地面。本文记录一种新的地面分割方法，在可靠性、分割精度方面均优于上一篇提出的基于ROS的通过计算夹角实现点云中的地面部分提取方法

octomap_sever安装及demo、自己的pcd点云数据测试基于八叉树的三维的栅格地图构建文章开头先贴一下：高博关于八叉树的博客1.编译octomap新建一个目录用于拷贝octomap代码。　如果没有git请安装git，然后拷贝代码：sudo apt-get install gitgit clone https://github.com/OctoMap/octomap上述的git会把代码拷贝

建立一个文件夹pclfirst在pclfirst文件夹下建立pclfirst.cpp,写入/*任何点云格式均可，不要求点云带有RGB字段*/#include <iostream>#include <pcl/point_types.h>#include <pcl/io/ply_io.h>#include<pcl/io/pcd_io.h>//pcd 读写