Unduh fast_gicp - Unduh Kode Sumber fast

fast_gicp

C/C++

1.0.0

Unduh

Catatan: Perpustakaan baru yang lebih cepat dirilis

Kami merilis Small_GICP yang dua kali lebih cepat dari Fast_GICP dan dengan dependensi minimum dan antarmuka bersih.

fast_gicp

Paket ini adalah kumpulan algoritma pendaftaran Cloud Fast Point berbasis GICP. Ini mendapatkan GICP multi-threaded serta implementasi multi-thread dan GPU dari algoritma GICP (VGICP) voxelized kami. Semua algoritma yang diimplementasikan memiliki antarmuka pendaftaran PCL sehingga mereka dapat digunakan sebagai pengganti di GICP di PCL.

FastgiCP: Algoritma GICP multi-utas ( ~ 40fps )
FastgiCpsingletHread: Algoritma GICP dioptimalkan untuk satu threading ( ~ 15fps )
FastVGICP: Algoritma GICP multi-threaded dan voxelisasi ( ~ 70fps )
Fastvgicpcuda: Algoritma GICP voxelized CUDA ( ~ 120fps )

Ndtcuda: Algoritma D2D NDT yang dipercepat CUDA ( ~ 500fps ) pada melodi & noetika

Instalasi

Dependensi

Pcl
Eigen
OpenMP
Cuda (opsional)
Sophus
nvbio

Kami telah menguji paket ini di Ubuntu 18.04/20.04 dan Cuda 11.1.

Di macOS saat menggunakan brew , Anda mungkin harus mengatur depenensi seperti ini

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

Cuda

Untuk mengaktifkan implementasi yang didukung CUDA, atur opsi BUILD_VGICP_CUDA CMake untuk ON .

Ros

 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

Non-ros

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

Binding Python

 cd fast_gicp
python3 setup.py install --user

CATATAN: Jika Anda berada di lingkungan yang mendukung Catkin dan instalasi tidak berfungsi dengan baik, komentari find_package(catkin) di cmakelists.txt dan jalankan perintah instalasi di atas lagi.

 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 ()

Benchmark

CPU: 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

Lihat src/align.cpp untuk penggunaan terperinci.

Tes Kitti

C ++

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

Kitti00

Python

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

Catatan

Di beberapa lingkungan, mengatur jumlah utas yang lebih sedikit daripada jumlah utas maksimum (default) dapat menghasilkan pemrosesan yang lebih cepat (lihat #145 (komentar)).

Paket terkait

ndt_omp
fast_gicp

Dokumen

Kenji Koide, Masashi Yokozuka, Shuji Oishi, dan Atsuhiko Banno, GICP voxelized untuk pendaftaran cloud titik 3D yang cepat dan akurat, ICRA2021 [tautan]