专栏名称: 点云PCL
公众号将会推送基于PCL库的点云处理,SLAM,三维视觉,高精地图相关的文章。公众号致力于理解三维世界相关内容的干货分享。不仅组织技术交流群,而且组建github组群,有兴趣的小伙伴们可以自由的分享。欢迎关注参与交流或分享。
目录
相关文章推荐
国家林业和草原局  ·  自然资源部2025年生态文明大讲堂第一讲开讲 ·  昨天  
国家林业和草原局  ·  自然资源部2025年生态文明大讲堂第一讲开讲 ·  昨天  
龙虎榜中榜备用  ·  熟悉的节奏 ·  昨天  
龙虎榜中榜备用  ·  熟悉的节奏 ·  昨天  
南方财富网  ·  DeepSeek最新8大核心龙头股梳理,看这 ... ·  昨天  
南方财富网  ·  DeepSeek最新8大核心龙头股梳理,看这 ... ·  昨天  
龙视新闻在线  ·  “登山机器人”在泰山试用,网友:我又行了 ·  3 天前  
51好读  ›  专栏  ›  点云PCL

Livox 激光雷达两种扫描方式对比

点云PCL  · 公众号  · 科技创业 科技自媒体  · 2025-01-20 10:00

正文

公众号致力于分享点云处理,SLAM,三维视觉,高精地图相关的文章与技术,欢迎各位加入我们,一起每交流一起进步,有兴趣的可联系微信:920177957。 本文来自点云PCL博主的分享,未经作者允许请勿转载,欢迎各位同学积极分享和交流。

摘要


Livox激光雷达轻巧紧凑的外形下探测距离及效率全面提升,FOV超过70°,支持三回波与双扫描模式,可广泛适用于电力、林业、泛测绘、智慧城市等等应用场合。支持传统非重复扫描与重复扫描两种扫描模式。非重复扫描用于提高静态扫描效果和飞行测绘中对于竖直面的扫描效果;重复扫描用于提高点云密度均匀性。

两种扫描方式


非重复扫描模式: Avia视场覆盖率将随时间推移而显著提高,70度的大FOV可一次性获取更大场景的点云数据,最终形成照片般清晰的高密度点云。适用于智慧城市、移动测绘等场景。

重复线性扫描模式: 针对精度及点云均匀度要求更高的电力巡检, 林业测绘等场景,Avia的重复扫描模式可显著提升作业效率。独特的光斑形态可对细长物体(如电线)有更优分辨率,辅以特殊的扫描模式,带来更高测绘精度。其三回波特性亦可获得更多来自树冠、地面的点云数据。

⾮重复式扫描⽅式 传统激光雷达普遍采⽤机械扫描⽅式,扫描路径随时间重复。⽽Livox 激光雷达采⽤了独特的扫描⽅式,扫描路径不会重复。在⾮ 重复扫描⽅式中,视场中被激光照射到的区域⾯积会随时间增⼤,这意味着视场覆盖率随时间推移⽽显著提⾼,可减⼩视场内物 体被漏检的概率,有助于探测视场中的更多细节。图中给出了⼀个直观的例⼦。在图中,由于采⽤了⾮重复扫描⽅式,随着时间的积累,视场覆盖率逐渐升⾼。⽽图b 中, 由于扫描每次都是重复的,视场覆盖率⼏乎没有提升。

⾮重复扫描(a)及重复扫描(b)体系下的扫描轨迹

Livox Mid-40以及Livox Mid-100通过使用非重复扫描技术,具有较高的视场覆盖率,且随着积分时间的增大,视场覆盖率也会显著增大,探测到视场中的更多细节。下图所示为不同积分时间内(分别为0.1s,0.2s,0.5s和1s时Livox Mid-40和 Mid-100的点云图。每个Livox Mid-100的点云图都可以视为由三个Livox Mid-40的点云图所组成。 Livox Mid-40不同积分时间内点云效果图如下所示:

Livox Mid-100不同积分时间内点云效果图如下所示:

下图给出了不同积分时间下Livox Mid-40激光探测测距仪的视场覆盖率,和当前市场上常见的几款多线机械旋转式激光探测测距仪的相关数据。从图中可以看出,当积分时间小于0.1s时,Livox Mid-40的视场覆盖率性能与某32线产品的性能相当;当积分时间增大时,Livox Mid-40的视场覆盖率明显提高而某32线产品的视场覆盖率保持不变。当积分时间是0.5s时,视场覆盖率与某64线产品相当;当积分时间继续增大,达到1.4s时,视场覆盖率将会接近100%,即视场中几乎所有区域都会被激光束照射到。

两种扫描方式场景分析


重复性扫描

特点

  • 扫描轨迹固定:激光束在预设的扫描轨迹上重复运动,通常呈现为固定的扫描线。

  • 点云分布规律:点云的空间分布具有规律性,容易建立一致的点云模型。

  • 高精度建图:因为扫描轨迹固定,点云数据的覆盖率和密度可以预测,适合高精度建模任务。

  • 帧间一致性高:每帧点云的分布模式相似,有利于后续处理中的帧间匹配和对齐。

应用场景

  • 静态场景建模:如室内三维扫描、文物测绘、工业设备建模等需要高精度和重复测量的场景。

  • 高精度地图制作:要求点云数据分布稳定、细节丰富的高精度地图构建。

  • 结构化环境下的应用:如工厂、仓库等环境规则、重复性高的场景。

优点

  • 数据稳定,易于处理。

  • 对算法要求较低,尤其是点云配准和特征提取环节。

非重复性扫描

特点

  • 扫描轨迹随机:激光束的扫描轨迹呈随机分布,利用时间积累覆盖更大的视野范围。

  • 点云分布不规律:单帧点云分布密度较低,但多帧叠加后可以形成高密度点云。

  • 适应性强:在动态或复杂场景中表现更好,能够覆盖更多细节。

  • 时间累积建图:需要多个时刻的点云叠加,才能获得完整的场景描述。

应用场景

  • 动态环境感知:如自动驾驶、机器人导航等需要实时更新环境信息的场景。

  • 大范围扫描:需要快速覆盖大区域的任务,如森林、山地扫描等。

  • 复杂环境建模:如包含动态障碍物或不规则表面的场景。

优点

  • 扫描范围广,适合动态和复杂环境。

  • 在多帧数据融合后,能获得更高的场景覆盖率。

哪种扫描方式更适合 LOAM?

LOAM(Lidar Odometry and Mapping) 是一种基于激光雷达的里程计和建图算法,其性能依赖于特征提取的准确性和匹配的稳定性,更适合非重复性扫描:

  • 非重复性扫描的特点是覆盖范围大,能够在动态环境中捕获更多信息,从而提高特征点的提取质量。

  • 非重复性扫描的多帧叠加可以为 LOAM 提供更丰富的特征点(如角点、平面点),有助于里程计和建图的精度提升。

但需要权衡:

  • 非重复性扫描在单帧点云上的密度较低,可能会增加特征提取和匹配的难度。

  • 如果场景是静态且规则的(如室内建模),重复性扫描同样可以提供良好的 LOAM 表现。

参考资料:

https://livox-wiki-cn.readthedocs.io/zh-cn/latest/index.html

资源

自动驾驶及定位相关分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

自动驾驶中基于光流的运动物体检测

基于语义分割的相机外参标定

综述:用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

高速场景下自动驾驶车辆定位方法综述

Patchwork++:基于点云的快速、稳健的地面分割方法

PaGO-LOAM:基于地面优化的激光雷达里程计

多模态路沿检测与滤波方法

多个激光雷达同时校准、定位和建图的框架

动态的城市环境中杆状物的提取建图与长期定位

非重复型扫描激光雷达的运动畸变矫正

快速紧耦合的稀疏直接雷达-惯性-视觉里程计

基于相机和低分辨率激光雷达的三维车辆检测

用于三维点云语义分割的标注工具和城市数据集

ROS2入门之基本介绍

固态激光雷达和相机系统的自动标定

激光雷达+GPS+IMU+轮速计的传感器融合定位方案

基于稀疏语义视觉特征的道路场景的建图与定位

自动驾驶中基于激光雷达的车辆道路和人行道实时检测(代码开源)

用于三维点云语义分割的标注工具和城市数据集

更多文章可查看: 点云学习历史文章大汇总

SLAM及AR相关分享

TOF相机原理介绍







请到「今天看啥」查看全文