LiDAR point clouds

This project demonstrates a MATLAB implementation for fruit detection in 3D LiDAR point clouds using the Velodyne VLP-16 LiDAR sensor (Velodyne LIDAR Inc., San Jose, CA, USA). The dataset contains 3D point clouds of 11 Fuji apple trees and corresponding fruit position annotations. The implementation uses a Support Vector Machine (SVM) classifier for fruit detection. Setup and Requirements Clone the Code: To begin, clone the repository using the command:git clone https://github.com/GRAP-UdL-AT/fruit_detection_in_LiDAR_pointClouds.git Data Preparation: Create a folder named “data” in the directory where the code is saved. Inside this folder, store the ground truth data and point cloud data in subdirectories named “AllTrees_Groundtruth” and “AllTrees_pcloud”, respectively. Prerequisites: Ensure you have the following installed in MATLAB: MATLAB R2018 (other versions not tested) Computer Vision System Toolbox Statistics and Machine Learning Toolbox Dataset: The LFuji-air dataset is stored in the /data folder. This dataset provides the necessary LiDAR data for training and evaluation. Cross-validation: Perform cross-validation to evaluate the performance of the model in detecting fruit within the LiDAR point clouds. Notes The implementation is optimized for MATLAB R2018 and tested specifically on this version. The project utilizes a dataset that includes both ground truth fruit positions and point cloud data for training the detection model.

在本项目中，我探索了在物理机器人上实现强化学习（RL）算法的过程，具体是在定制的3D打印机器人Benny和Bunny上从A到B的路径规划。作为我本科最后一年自选选修课的一部分，项目学习强化学习的基础知识。最初，编码直接在物理机器人上进行，但随着项目进展，意识到需要将算法与硬件解耦。仿真测试表明，在较小的状态空间（<= 100个状态）中表现良好，但在扩展到包含400个状态时，任何探索的RL算法均无法收敛。结果显示，在实现硬件前，需在仿真中探索更强大的算法。所有模拟代码均使用C++编写，确保代码的可移植性，以适应微控制器的限制，避免数据传输带来的复杂性。

SUTM内点法（障碍函数法） 在使用 SUTM内点法 进行最优化时，核心思想是通过引入障碍函数来处理约束条件。这种方法将约束优化转化为无约束优化，逐步逼近可行域的边界，从而找到最优解。关键步骤包括： 定义障碍函数：根据约束条件构造相应的障碍函数。 迭代更新：通过迭代更新优化变量，逐步调整障碍函数的权重。 收敛判定：设定收敛条件，以判断优化过程是否结束。 这种方法在MATLAB中实现时，可以通过编写函数来执行迭代和更新步骤，灵活处理不同的优化问题。

该包包含稳健点集的MATLAB代码，基于ICCV'05论文中描述的配准算法：“冰健和Baba C. Vemuri，一种使用高斯混合的点集配准鲁棒算法。”软件包可从以下网址免费下载：http://www.cise.ufl.edu/research/cvgmi/Software.php#gmmreg

固定起点/终点多旅行推销员问题 (M-TSP) 通过遗传算法 (GA) 解决 MTSPF_GA 是一个用于解决 固定多重旅行商问题（M-TSP）的 遗传算法（GA），其目的是通过GA搜索找到接近最优解的最短路线。每位推销员都从起点出发，经过一组独特的城市，最终返回起点。 主要特点： 每个推销员从第一个点出发，到第一个点结束，但旅行到中间的一组独特城市。 除了第一个城市，其他每个城市仅被一位推销员访问。 注意： 固定起点/终点位置被视为第一个XY点。 输入参数： XY（float）：一个Nx2的城市位置矩阵，其中N为城市数量。 DMAT（float）：城市间距离或成本的NxN矩阵。 NSALESMEN（标量整数）：访问城市的推销员数量。 MINTOUR（标量整数）：任何推销员的最小游览长度，不包括起点/终点。 POPSIZE（标量整数）：种群大小。

研究了如何利用MATLAB中的TOPSCAN算法对LIDAR点云数据进行滤波处理。该算法首先将点云数据分块，然后根据每个块内的点云进行最小二乘曲面拟合滤波，同时动态调整窗口大小以优化滤波效果。

Matlab开发：从Point Grey硬件采集图像的工具包支持。从Point Grey相机获取视频和图像。

贡献者梅丽莎·陈（Melissa Chen）、高乐中（Lezhong Gao）、凯文·夸奇（Kevin Quach）、韦拜·斯里瓦斯塔瓦（Vaibhav Srivastava）使用区域增长聚类算法对3D点进行聚类，以过滤出具有宽度和深度的聚类。在360度全景图上，利用深度神经网络的预测框对聚类点进行投影，并选择最可能的框进行跟踪。

Oliktok_Point_KAZR_spectra MATLAB代码用于处理频谱，进行平移和多个峰值的估算。作者Christopher R. Williams介绍了该代码的用途，特别是在阿拉斯加Oliktok点处理35-GHz垂直指向雷达数据时的应用。该代码通过消除地面杂波、计算多个峰值和高阶矩来处理雷达的多普勒速度谱。更新日期为2018年8月1日，该处理方法在《大气测量技术》期刊的论文中有详细描述。处理步骤包括读取和预处理netCDF格式的原始数据，估算15秒间隔的平均光谱的多个峰值矩，并将处理结果存储为每小时的Matlab文件。

Matlab集成的C代码用于自动校准非重复扫描固态LiDAR和摄像头系统。该系统已在Ubuntu 16.04和Ubuntu 18.04上进行过测试，依赖ROS 3.2.5、PCL 1.8、Python 2.X/3.X、OpenCV Python（版本>=4.0）、科学计算库Scikit-Learn、Transforms3D、PyYAML和Mayavi（可选，用于调试和可视化）。安装步骤包括下载存储库及其子模块，编译并安装normal-diff分段扩展，以及使用ROS工具简化校准数据收集过程。