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

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。

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。 NSA

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

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。