导航与测绘

点云配准和地图构建，二维和三维SLAM，二维障碍物检测

先进驾驶辅助系统(ADAS)应用程序和自动驾驶机器人的一个关键组件是能够感知车辆或机器人相对于周围环境的位置，并使用这些信息来估计到达目的地的最佳路径。同步定位和映射(SLAM)过程使用算法同时估计车辆的姿态和环境地图。

Lidar Toolbox™提供了一个点云配准工作流，使用快速点特征直方图(FPFH)算法将点云序列拼接在一起。您可以将此功能用于渐进式地图构建。这样的地图可以方便车辆导航的路径规划，也可以用于SLAM。的示例，说明如何使用extractFPFHFeatures函数在空中数据的3-D SLAM工作流中，请参见使用FPFH描述符的航空激光雷达SLAM．

激光雷达工具箱还提供扫描匹配和模拟距离轴承传感器读数的功能。这些特性用于2-D SLAM和障碍检测工作流程

功能

全部展开

二维大满贯

`lidarscanmap`	同时定位和绘图使用二维激光雷达扫描
`addScan`	添加二维激光雷达扫描地图
`detectLoopClosure`	在二维激光雷达扫描图中检测环路闭合
`addLoopClosure`	在映射中添加循环闭包
`deleteLoopClosure`	删除2-D激光雷达扫描之间的闭环
`poseGraph`	从激光雷达扫描地图创建二维姿态图
`updateScanPoses`	更新二维激光雷达扫描的绝对位姿
`findPose`	在地图中找到二维激光雷达扫描的绝对姿态
`复制`	创建一个`lidarscanmap`对象
`显示`	显示二维激光雷达扫描和激光雷达传感器轨迹

姿态估计

`matchScans`	估计两次激光扫描之间的姿势
`matchScansGrid`	使用基于网格的搜索估计两个激光雷达扫描之间的姿态
`matchScansLine`	利用线特征估计两次激光扫描之间的姿态
`transformScan`	基于相对姿态的激光扫描变换

传感器模型

`rangeSensor`	模拟距离轴承传感器读数
`lidarSensor`	模拟激光雷达传感器

数据结构

`lidarScan`	创建用于存储二维激光雷达扫描的对象
`eigenFeature`	对象，用于存储基于特征值的特征
`LOAMPoints`	对象，用于存储LOAM特征点

登记

`pcregistericp`	采用ICP算法对两个点云进行配准
`pcregistercpd`	采用CPD算法对两个点云进行配准
`pcregistercorr`	使用相位相关注册两个点云
`pcregisterndt`	采用无损检测算法对两个点云进行配准
`pcregisterloam`	采用LOAM算法对两个点云进行配准
`pcmaploam`	创建LOAM特征点地图用于地图构建
`detectLOAMFeatures`	从三维激光雷达数据中检测LOAM特征点
`extractEigenFeatures`	从点云段中提取基于特征值的特征
`extractFPFHFeatures`	从点云中提取快速点特征直方图(FPFH)描述符
`pcmatchfeatures`	寻找点云之间的匹配特征
`pcmapsegmatch`	用于定位和环路闭合检测的分段和特征图
`pcshowMatchedFeatures`	显示匹配特征点的点云

主题

在MATLAB中实现点云SLAM
了解点云配准和映射工作流程。
利用特征估计两点云之间的变换
这个例子展示了如何估计两个点云之间的刚性变换。
匹配和可视化点云中的相应特征
属性来匹配点云之间的对应特征pcmatchfeatures函数并可视化它们pcshowMatchedFeatures函数。