หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซี/ซี++
ดาวน์โหลด

หมายเหตุ: ห้องสมุดใหม่เร็วขึ้นเปิดตัว

เราเปิดตัว Small_GICP ที่เร็วเป็นสองเท่าของ FAST_GICP และมีการพึ่งพาขั้นต่ำและอินเทอร์เฟซที่สะอาด

fast_gicp

แพ็คเกจนี้เป็นชุดของอัลกอริทึมการลงทะเบียนคลาวด์ Fast Point ที่ใช้ GICP มันมี GICP แบบมัลติเธรดรวมถึงการใช้งานแบบมัลติเธรดและ GPU ของอัลกอริทึม GICP (VGICP) ของเรา อัลกอริทึมที่นำไปใช้ทั้งหมดมีส่วนต่อประสานการลงทะเบียน PCL เพื่อให้สามารถใช้เป็นการทดแทนในสถานที่สำหรับ GICP ใน PCL

  • FastGICP: อัลกอริทึม GICP แบบมัลติเธรด ( ~ 40fps )
  • FastGicpsingLetHread: อัลกอริทึม GICP ที่ได้รับการปรับให้เหมาะสมสำหรับการเธรดเดี่ยว ( ~ 15FPS )
  • FastVGICP: อัลกอริทึม GICP แบบมัลติเธรดและ voxelized ( ~ 70fps )
  • FastVGICPCUDA: อัลกอริทึม GICP ที่เร่งด้วย CUDA ( ~ 120FPS )
  • ndtcuda: อัลกอริทึม D2D NDT ที่เร่งด้วย CUDA ( ~ 500fps ) บน Melodic & Noetic

    การติดตั้ง

    การพึ่งพาอาศัยกัน

    • PCL
    • ไอเท็น
    • OpenMP
    • CUDA (ไม่บังคับ)
    • อูเฟต
    • nvbio

    เราได้ทดสอบแพ็คเกจนี้บน Ubuntu 18.04/20.04 และ Cuda 11.1

    บน macOS เมื่อใช้ brew คุณอาจต้องตั้งค่า depenencies ของคุณเช่นนี้ 

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

    คนขี้เกียจ

    ในการเปิดใช้งานการใช้งาน CUDA-powered ให้ตั้งค่าตัวเลือก BUILD_VGICP_CUDA cmake เป็น ON

    โรส 

     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

    ไม่ใช่โรส 

    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

    การผูก Python 

     cd fast_gicp
python3 setup.py install --user

    หมายเหตุ: หากคุณอยู่ในสภาพแวดล้อมที่เปิดใช้งาน Catkin และการติดตั้งใช้งานไม่ได้ให้แสดงความคิดเห็น find_package(catkin) ใน cmakelists.txt และเรียกใช้คำสั่งการติดตั้งด้านบนอีกครั้ง 

     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 ()

    เกณฑ์มาตรฐาน

    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

    ดู src/allign.cpp สำหรับการใช้อย่างละเอียด

    ทดสอบ Kitti

    C ++ 

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

    kitti00

    งูหลาม 

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

    บันทึก

    ในบางสภาพแวดล้อมการตั้งค่าเธรดจำนวนน้อยกว่าจำนวนเธรดสูงสุด (ค่าเริ่มต้น) อาจส่งผลให้การประมวลผลเร็วขึ้น (ดู #145 (ความคิดเห็น))

    แพ็คเกจที่เกี่ยวข้อง

    • ndt_omp
    • fast_gicp

    เอกสาร

    • Kenji Koide, Masashi Yokozuka, Shuji Oishi และ Atsuhiko Banno, Voxelized GICP สำหรับการลงทะเบียนคลาวด์ 3D ที่รวดเร็วและแม่นยำ, ICRA2021 [ลิงก์]

    ติดต่อ

    kenji koide, [email protected]

    ศูนย์วิจัยการเคลื่อนย้ายมนุษย์เป็นศูนย์กลางสถาบันวิทยาศาสตร์และเทคโนโลยีอุตสาหกรรมขั้นสูงแห่งชาติญี่ปุ่น [URL]

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด