线性调频连续波激光雷达在光电器件响应速度有限的条件下，要满足较高的距离分辨率的测量要求，就需要比同体制微波雷达大得多的相对带宽。这就导致线性调频连续波微波雷达的距离与速度去耦合方法不能被直接应用。针对探测近距高速运动目标和实时性高的要求，根据激光雷达目标回波的特点，提出了一种快速线性调频信号参数估计方法，利用均匀分成两段的中频信号的傅里叶变换来获取目标的距离与速度信息。在目标距离50 m，速度1000 m/s，中频信噪比为0的仿真条件下，雷达测距误差小于15 mm，测速误差小于10 m/s。仿真实验表明，该方法具有较高的测量精度和较强的抗干扰能力。

高速窄脉冲激光驱动电路是实现高分辨率激光测距的关键。 介绍了高速窄脉冲激光驱动电路的工作原理，推导出驱动电路主要 元器件参数的计算公式，设计的由普通元器件组成的高速窄脉冲激光器的驱动电路，在调制频率为 52MHz 时，实测光信号占空比约为 11%，能 量效率为 10%，光信号边沿约为 1ns。 可用于便携式的高辨率激光测距。

机载激光雷达数据获取的规范

本文件规定了智能网联汽车激光雷达点云标注的基本内容、要求以及方法。 本文件适用于智能网联汽车激光雷达点云数据的标注。

SC-LIO-SAM 版本 2020-11-19 什么是 SC-LIO-SAM？ SC-LIO-SAM 是一种实时激光雷达惯性 SLAM 封装。 LiDAR 惯性 SLAM：扫描上下文 + LIO-SAM 该存储库是一个示例用例，它是一种快速而强大的 LiDAR 位置识别方法。 有关每种算法的更多详细信息，请参阅扫描上下文 LIO-SAM 您还可以使用该项目的 LiDAR-only 版本，名为 。 扫描上下文：快速而强大的位置识别 轻量级：名为“Scancontext.h”和“Scancontext.cpp”的单个标题和cpp文件 我们的模块有 KDtree ，我们使用 。 nanoflann 也是一个单头程序，该文件在我们的目录中。 易于使用：用户只需记住和使用两个API函数； makeAndSaveScancontextAndKeys和detectLoopClosureID

此示例演示如何使用多对象跟踪器跟踪城市环境中的各种无人机 （UAV）。可以使用基于在线提供的建筑物和地形数据的对象创建场景。然后，使用激光雷达和雷达传感器模型生成合成传感器数据。最后，使用各种跟踪算法来估计场景中所有无人机的状态。

镭神C16激光雷达说明书。官网资料下架了，找了一下午总算找到了，在这里分享下，有需要的可以看下。这就是一个说明文件，我也是从其他渠道得到的。

一种基于车载激光雷达点云数据的堤坝自动提取方法，唐雪华，姚春静，本文以车载激光雷达点云数据为源数据，在分析点云滤波和堤坝横断面（剖面）空间几何分布特征的基础上，提出了一种基于多项式曲线

激光雷达点云多条车道线检测及拟合，包含一个深度学习模型的车道线检测（分为cuda版本及C++版本），并且提供了模型权重及测试pcd；一个是点云传统算法的车道线检测。

提出了一种基于遗传算法进行频谱估计的相干多普勒测风激光雷达三维风场反演方法。该方法无需对视向风速进行计算,可以直接从多方位频谱密度中提取三维风场信息,能够提高弱信噪比情况下的数据反演精度。采用的遗传算法为针对相干激光雷达改进的遗传算法,能够准确、快速、并行地反演出风矢量解。对算法进行了仿真,结果显示,改进后的遗传算法在收敛速度以及全局寻优能力方面相对于传统遗传算法都有着明显提升,并且在低信噪比信号仿真对比中,此方法风场反演结果优于传统非线性最小二乘法反演结果。将该方法应用于实际雷达系统中,在激光雷达与探空气球实测数据对比中,两者水平风速均方根误差小于0.7 m/s,水平风向标准偏差小于6°,这些结果验证了风场反演结果的精确性。将采用所提方法得到的结果与实测数据最小二乘法风场反演结果进行对比,发现在当时的大气条件下,频谱估计法约有12.3%的探测距离的增大。仿真和实测数据对比结果充分证明了此方法反演三维风场的能力和有效性。