الصفحة الرئيسية>المتعلقة بالبرمجة>ج/ج++
تنزيل

ملاحظة: يتم إصدار مكتبة أسرع جديدة

لقد أصدرنا Small_GICP ضعف سرعة Fast_GICP مع الحد الأدنى من التبعيات والواجهات النظيفة.

Fast_GICP

هذه الحزمة عبارة عن مجموعة من خوارزميات تسجيل السحابة السريعة المستندة إلى GICP. إنه يضم GICP متعدد الخيوط وكذلك تطبيقات متعددة الخيوط و GPU لخوارزمية Voxelized GICP (VGICP). تحتوي جميع الخوارزميات التي تم تنفيذها على واجهة تسجيل PCL بحيث يمكن استخدامها كبديل في مكان GICP في PCL.

  • fastgicp: خوارزمية GICP متعددة الخيوط ( حوالي 40 إطارًا في الثانية )
  • fastgicpsinglethread: خوارزمية GICP مُحسّنة للرواية الفردية ( حوالي 15 إطارًا في الثانية )
  • FastVgICP: خوارزمية GICP متعددة الخيوط و Voxelized ( ~ 70 إطارًا في الثانية )
  • fastvgicpcuda: خوارزمية GICP Voxelized Cuda ( ~ 120 إطارًا في الثانية )
  • NDTCUDA: خوارزمية CUDA D2D NDT ( ~ 500 إطار في الثانية ) على لحني ونويتيك

    تثبيت

    التبعيات

    • PCL
    • eigen
    • OpenMP
    • كودا (اختياري)
    • Sophus
    • nvbio

    لقد اختبرنا هذه الحزمة على Ubuntu 18.04/20.04 و CUDA 11.1.

    على MacOS عند استخدام brew ، قد تضطر إلى إعداد حالاتك مثل هذا 

     cmake .. "-DCMAKE_PREFIX_PATH=$(brew --prefix libomp)[;other-custom-prefixes]" -DQt5_DIR=$(brew --prefix qt@5)lib/cmake/Qt5

    كودا

    لتمكين التطبيقات التي تعمل بالطاقة CUDA ، قم بتعيين خيار BUILD_VGICP_CUDA cmake إلى ON .

    روس 

     cd ~ /catkin_ws/src
git clone https://github.com/SMRT-AIST/fast_gicp --recursive
cd .. && catkin_make -DCMAKE_BUILD_TYPE=Release
# enable cuda-based implementations
# cd .. && catkin_make -DCMAKE_BUILD_TYPE=Release -DBUILD_VGICP_CUDA=ON

    غير قاوم 

    git clone https://github.com/SMRT-AIST/fast_gicp --recursive
mkdir fast_gicp/build && cd fast_gicp/build
cmake .. -DCMAKE_BUILD_TYPE=Release
# enable cuda-based implementations
# cmake .. -DCMAKE_BUILD_TYPE=Release -DBUILD_VGICP_CUDA=ON
make -j8

    روابط بيثون 

     cd fast_gicp
python3 setup.py install --user

    ملاحظة: إذا كنت في بيئة تدعم كاتين ولم يعمل التثبيت بشكل جيد ، فقم بالتعليق على find_package(catkin) في cmakelists.txt وقم بتشغيل أمر التثبيت أعلاه مرة أخرى. 

     import pygicp

target = # Nx3 numpy array
source = # Mx3 numpy array

# 1. function interface
matrix = pygicp . align_points ( target , source )

# optional arguments
# initial_guess               : Initial guess of the relative pose (4x4 matrix)
# method                      : GICP, VGICP, VGICP_CUDA, or NDT_CUDA
# downsample_resolution       : Downsampling resolution (used only if positive)
# k_correspondences           : Number of points used for covariance estimation
# max_correspondence_distance : Maximum distance for corresponding point search
# voxel_resolution            : Resolution of voxel-based algorithms
# neighbor_search_method      : DIRECT1, DIRECT7, DIRECT27, or DIRECT_RADIUS
# neighbor_search_radius      : Neighbor voxel search radius (for GPU-based methods)
# num_threads                 : Number of threads


# 2. class interface
# you may want to downsample the input clouds before registration
target = pygicp . downsample ( target , 0.25 )
source = pygicp . downsample ( source , 0.25 )

# pygicp.FastGICP has more or less the same interfaces as the C++ version
gicp = pygicp . FastGICP ()
gicp . set_input_target ( target )
gicp . set_input_source ( source )
matrix = gicp . align ()

# optional
gicp . set_num_threads ( 4 )
gicp . set_max_correspondence_distance ( 1.0 )
gicp . get_final_transformation ()
gicp . get_final_hessian ()

    معيار

    وحدة المعالجة المركزية: CORE I9-9900K GPU: Geforce RTX2080TI 

    roscd fast_gicp/data
rosrun fast_gicp gicp_align 251370668.pcd 251371071.pcd
     target:17249[pts] source:17518[pts]
--- pcl_gicp ---
single:127.508[msec] 100times:12549.4[msec] fitness_score:0.204892
--- pcl_ndt ---
single:53.5904[msec] 100times:5467.16[msec] fitness_score:0.229616
--- fgicp_st ---
single:111.324[msec] 100times:10662.7[msec] 100times_reuse:6794.59[msec] fitness_score:0.204379
--- fgicp_mt ---
single:20.1602[msec] 100times:1585[msec] 100times_reuse:1017.74[msec] fitness_score:0.204412
--- vgicp_st ---
single:112.001[msec] 100times:7959.9[msec] 100times_reuse:4408.22[msec] fitness_score:0.204067
--- vgicp_mt ---
single:18.1106[msec] 100times:1381[msec] 100times_reuse:806.53[msec] fitness_score:0.204067
--- vgicp_cuda (parallel_kdtree) ---
single:15.9587[msec] 100times:1451.85[msec] 100times_reuse:695.48[msec] fitness_score:0.204061
--- vgicp_cuda (gpu_bruteforce) ---
single:53.9113[msec] 100times:3463.5[msec] 100times_reuse:1703.41[msec] fitness_score:0.204049
--- vgicp_cuda (gpu_rbf_kernel) ---
single:5.91508[msec] 100times:590.725[msec] 100times_reuse:226.787[msec] fitness_score:0.20557

    انظر src/align.cpp للحصول على الاستخدام التفصيلي.

    اختبار على كيتي

    C ++ 

     # Perform frame-by-frame registration
rosrun fast_gicp gicp_kitti /your/kitti/path/sequences/00/velodyne

    Kitti00

    بيثون 

     cd fast_gicp/src
python3 kitti.py /your/kitti/path/sequences/00/velodyne

    ملحوظة

    في بعض البيئات ، قد يؤدي تحديد عدد أقل من مؤشرات الترابط بدلاً من العدد الأقصى (الافتراضي) للمعالجة بشكل أسرع (انظر #145 (تعليق)).

    الحزم ذات الصلة

    • NDT_OMP
    • Fast_GICP

    أوراق

    • Kenji Koide ، Masashi Yokozuka ، Shuji Oishi ، و Atsuhiko Banno ، Voxelized GICP للتسجيل السحابي ثلاثي الأبعاد سريع ودقيق ، ICRA2021 [LINK]

    اتصال

    Kenji Koide ، [email protected]

    مركز أبحاث التنقل الذي يركز على الإنسان ، المعهد الوطني للعلوم الصناعية المتقدمة والتكنولوجيا ، اليابان [عنوان URL]

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل