在3-D组织的LIDAR点云数据上列车挤压ZESGV2语义分割网络。

火车PointNet ++深度学习网络在空中LIDAR数据上执行语义分割。

作为地面，建筑和植被的空中激光雷达数据中的细分和分类。该示例使用由机载LIDAR系统捕获的LAZ文件作为输入。首先，将Laz文件中的点云数据分类为地面和非接地点。然后，基于法线和曲率特征进一步将非接地点分类为建筑物和植被点。该图提供了该过程的概述。

在点云中列车用于对象检测的尖峰网络。

使用LIDAR Labeler应用程序中的预磨尖的尖峰对象检测网络自动化飞行器检测。在此示例中，您可以使用自动核接口在LIDAR Labeler应用程序中自动标记。

探测激光雷达点云中的通道。您可以使用从激光雷达点云返回的强度值来检测自我车辆的车道。通过使用曲线拟合算法并跟踪曲线参数，可以进一步改进车道检测。激光雷达车道检测使您能够构建复杂的工作流程，如车道保持辅助、车道偏离预警和自适应巡航控制的自动驾驶。一辆测试车通过安装在车顶上的激光雷达传感器收集激光雷达数据。

通过使用安装在自助车辆上的激光雷达传感器捕获的LiDAR点云数据来检测，分类和跟踪车辆。在该示例中使用的LIDAR数据从高速公路驾驶场景中记录。在该示例中，点云数据被分段为使用POINSEG网络确定对象的类。具有交互式多模型滤波器的联合概率数据关联（JPDA）跟踪器用于跟踪检测到的车辆。