Startseite› Projekte› lidar-slam-detection
lidar-slam-detection

lidar-slam-detection

von w111liang222 · GitHub

LSD (LiDAR SLAM & Detection) ist eine Open-Source-Wahrnehmungsarchitektur für autonome Fahrzeuge/Roboter

# autonomous-driving# calibration# deep-learning# detection# lidar
Auf GitHub ansehen
In einfachen Worten

Verwenden Sie dieses Open-Source-Tool, um autonomen Fahrzeugen und Robotern zu helfen, ihre Umgebung mit verschiedenen Sensoren zu verstehen.

⭐ Sterne
760
🍴 Forks
156
🔥 Trendend
+3 diese Woche
📜 Lizenz
Apache-2.0
Kommerzielle Nutzung erlaubt
📅 Erstellt
2023
🔄 Letzter Commit
1 yr ago
🏷️ Kategorie
autonomous-driving
💻 Sprache
C++
Betreuen Sie dieses Projekt?

Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.

Diese Seite beanspruchen →
lidar-slam-detection — GitHub preview card
📈 Sternhistorie
760757
2026-07-202026-07-29
📈 lidar-slam-detection verfolgen

Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.

Kostenlos · ohne Karte · jederzeit abbestellbar
E-Mail-Alerts erhalten →
📄 Über

LSD (LiDAR SLAM & Detection) ist eine Open-Source-Wahrnehmungsarchitektur für autonome Fahrzeuge/Roboter

lidar-slam-detection hat 760 Sterne auf GitHub. Es wurde 156-mal geforkt. lidar-slam-detection ist hauptsächlich in C++ geschrieben. Es wird seit 2023 aktiv entwickelt. lidar-slam-detection ist unter der Apache-2.0-Lizenz verfügbar. Die Hauptthemen sind: autonomous-driving, calibration, deep-learning, detection.

❓ Frequently asked questions

Was ist lidar-slam-detection?

LSD (LiDAR SLAM & Detection) ist eine Open-Source-Wahrnehmungsarchitektur für autonome Fahrzeuge/Roboter

Ist lidar-slam-detection Open Source?

lidar-slam-detection ist ein Open-Source-Projekt. Es wird unter der Apache-2.0-Lizenz veröffentlicht.

Ist lidar-slam-detection kostenlos?

Ja. lidar-slam-detection ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten.

Unter welcher Lizenz steht lidar-slam-detection?

lidar-slam-detection ist unter der Apache-2.0-Lizenz verfügbar.

In welcher Sprache ist lidar-slam-detection geschrieben?

lidar-slam-detection ist hauptsächlich in C++ geschrieben.

🏅 Wartender dieses Projekts?
olud.ai badge — lidar-slam-detection

Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.

[![olud.ai](https://olud.ai/badge.php?tool=w111liang222-lidar-slam-detection)](https://olud.ai/project/w111liang222-lidar-slam-detection.html)
Weitere Abzeichenoptionen →
🧬 Teilt DNA mit🧬 DNA-Karte ansehen →
kiss-slam
Ein LiDAR SLAM-System, das einfach funktioniert.
★ 527 · lidar
teiltperceptionmapping
M-LOAM
Robuste Odometry und Mapping für Multi-LiDAR-Systeme mit Online-Extrinsischer Kalibrierung.
★ 518 · calibration
teiltcalibrationlidar
Awesome_Dynamic_SLAM
Dynamisches SLAM, Lebenslanges SLAM-Forschung (Lidar, Visuell, Sensorfusion usw.)
★ 707 · lidar
teiltmappinglidar
AutonomousVehicleControlBeginnersGuide
Python-Beispielcodes und Dokumente über Algorithmen zur Steuerung autonomer Fahrzeuge. Dieses P…
★ 1.6k · algorithm
teiltcalibrationperception
open3d_slam
Punktwolkenbasierter Graph-SLAM, geschrieben in C++ unter Verwendung der open3D-Bibliothek.
★ 624 · cpp
teiltpointcloudmapping
loam_velodyne
Laser-Odometrie und Kartierung (Loam) ist eine Echtzeitmethode zur Zustandsabschätzung und Kart…
★ 1.8k · 3d
teiltpointcloudmapping
icp_localization
Dieses Paket bietet Lokalisierung in einer vorgefertigten Karte unter Verwendung von ICP und Od…
★ 353 · icp
teiltmappinglidar
ssl_slam2
SSL_SLAM2: Leichtgewichtige 3D-Lokalisierung und Kartierung für Solid-State LiDAR (Kartierung u…
★ 367 · lidar
teiltlidarslam
SensorsCalibration
OpenCalib: Ein Multi-Sensor-Kalibrierungs-Tool für autonomes Fahren.
★ 3.2k · autonomous-driving
teiltcalibrationautonomous-driving
awesome-radar-perception
Eine kuratierte Liste von Radar-Datensätzen, Erkennung, Verfolgung und Fusion
★ 1.9k · autonomous-driving
teiltdetectionslam

Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.