Awesome GitHub RepositoriesPunktwolkenverarbeitung

DGL is a Python library for building and training graph neural networks. It functions as a graph message passing framework and a geometric deep learning tool, enabling the development of models that analyze graph-structured data. The library is designed for large-scale graph processing, utilizing distributed training and neighbor sampling to handle datasets with billions of edges. It provides specialized support for heterogeneous graph modeling, allowing for the representation of complex real-world entities with multiple node and edge types. Its capabilities cover a wide range of graph tasks

Open3D is a 3D data processing library, visualization engine, and machine learning library. It provides a framework for manipulating point clouds and meshes through specialized algorithms designed for 3D data science workflows. The project includes a toolkit for 3D scene reconstruction to generate spatial models and align surfaces from raw data. It also functions as a GPU accelerated framework that offloads intensive spatial computations to the graphics processor to increase processing speed. The library covers a broad range of capabilities including physically based light simulations for vi

The Point Cloud Library is a collection of C++ algorithms designed for filtering, registering, and analyzing large-scale 3D spatial datasets. It provides a framework for 3D point cloud processing, incorporating tools for spatial data filtering and geometric feature estimation. The library includes specialized systems for aligning multiple spatial datasets into a single unified coordinate system and a rendering engine for the visual inspection and analysis of processed point cloud data. It also features tools for calculating spatial descriptors to identify structural patterns and shapes within

Draco is a library and toolset for compressing, transcoding, and decoding 3D geometric meshes and point cloud data. Its primary purpose is to reduce storage size and transmission bandwidth for 3D assets. The project includes a geometry optimizer specifically for glTF file containers to reduce asset footprints. It also features a hardened decoder designed to process malformed or untrusted 3D geometric data safely to prevent memory corruption and crashes. The software covers a broad range of 3D data processing capabilities, including geometric data reconstruction, point attribute management, a

Point-e is a system for 3D model synthesis that generates three-dimensional point clouds from natural language descriptions and two-dimensional images. It utilizes diffusion models to synthesize these spatial representations based on text prompts or source images. The project includes specialized tools for refining these outputs, such as a point cloud upsampler to increase the density and resolution of low-resolution models. It also provides a mesh converter that uses distance function regression to transform raw point cloud data into structured 3D meshes. The broader capability surface cove

mmcv is a foundation library for computer vision based on PyTorch. It provides a comprehensive system for constructing convolutional neural networks, a toolkit for image and video preprocessing, and a collection of high-performance deep learning vision operators. The project is distinguished by its hardware-accelerated kernels for complex operations such as deformable convolutions and region pooling. It features a configuration-driven framework that allows for the dynamic instantiation of network layers and the registration of custom modules without modifying code. The library covers a broad

MMDetection3D is an open-source toolbox for 3D perception, providing a unified framework for detecting and segmenting objects in three-dimensional environments. It supports a range of core tasks including monocular 3D object detection from single camera images, LiDAR-based 3D object detection from raw point clouds, and multi-modal fusion that combines camera images with LiDAR data. The toolbox also covers point cloud semantic segmentation, assigning class labels to every point in a scan for scene understanding. The project distinguishes itself through a config-driven pipeline that orchestrate

CGAL is a software library that provides a comprehensive collection of computational geometry algorithms and data structures. It is built around a geometry kernel that defines fundamental geometric primitives and operations, enabling the construction of complex geometric objects and the computation of geometric predicates with exact arithmetic for reliable results. The library covers a wide range of geometric computation capabilities, including the construction of convex hulls, triangulations of point sets, and the generation of Voronoi diagrams. It also supports the processing of polygonal m

PCDet ist eine Toolbox für LiDAR-3D-Objekterkennung und eine Bibliothek zur Punktwolkenverarbeitung, die auf dem Deep-Learning-Framework PyTorch basiert. Es bietet ein System zur Identifizierung und Lokalisierung dreidimensionaler Objekte innerhalb von Punktwolkendaten. Das Projekt nutzt ein Daten-Modell-Trennungs-Muster, um die Logik zum Laden von Datensätzen von der Kern-Erkennungs-Pipeline zu entkoppeln. Es verfügt über eine Multi-Sensor-Fusions-Pipeline, die Daten von mehreren Sensoren in einer gemeinsamen räumlichen Ansicht kombiniert, sowie ein verteiltes GPU-Trainingssystem zur Skalierung von Workloads über mehrere Grafikprozessoren. Das Toolkit deckt verschiedene Funktionsbereiche ab, darunter voxelbasierte Merkmalsextraktion und zeitliche Punktwolkenanalyse durch Multi-Frame-Fusion. Es integriert zudem Leistungsoptimierungen für GPU-beschleunigte 3D Intersection-over-Union und Rotated Non-Maximum Suppression.

OpenPCDet ist eine PyTorch-Deep-Learning-Bibliothek und Toolbox für LiDAR-3D-Objekterkennung. Es fungiert als Framework zur Punktwolkenverarbeitung, das für die Entwicklung, das Training und die Evaluierung von Machine-Learning-Modellen konzipiert ist, um Objekte im dreidimensionalen Raum zu identifizieren und zu lokalisieren. Das Projekt beinhaltet eine GPU-beschleunigte Geometrie-Engine für die performante Implementierung von 3D Intersection over Union und Rotated Non-Maximum Suppression. Zudem bietet es ein Tool für verteiltes Modelltraining, um das Training und Testen von Erkennungsmodellen über mehrere GPUs und Rechenknoten hinweg zu skalieren. Das Framework deckt die Verarbeitung von Punktwolkendaten durch die Standardisierung von 3D-Szenendarstellungen und die Verwaltung variabler Punktzahlen über diverse LiDAR-Datensätze hinweg ab.

Potree ist eine webbasierte Point-Cloud-Rendering-Engine und ein Viewer für die Visualisierung und Analyse massiver 3D-Geodaten und LIDAR-Scans. Es fungiert als Tool für Geodatenanalyse, das die interaktive Erkundung hochdichter Punktwolken direkt im Webbrowser mittels WebGL ermöglicht. Das System nutzt Eye-Dome-Lighting zur Verbesserung der Tiefenwahrnehmung von 3D-Strukturen und unterstützt Virtual Reality für immersive räumliche Erkundungen. Es bietet spezialisierte Funktionen für die Dokumentation von 3D-Szenen durch hierarchische Annotationen und die Erstellung animierter Kamera-Fly-Through-Touren. Die Plattform enthält Tools für die Geodatenanalyse, wie z. B. Messungen von Abständen und Flächen, Höhenprofilierung sowie das Overlay externer Shapefiles und Geopackages. Benutzer können spezifische Features durch attributbasiertes Filtern und Clipping-Volume-Isolation isolieren, während externe Bilder mit der Punktwolken-Perspektive ausgerichtet und synchronisiert werden können. Potree verwendet ein vorverarbeitetes Binärformat und eine Octree-basierte räumliche Indizierung, um asynchrones Daten-Streaming und Level-of-Detail-Rendering für groß angelegte Datensätze zu ermöglichen.

PointNet ist eine Deep-Learning-Architektur, die darauf ausgelegt ist, rohe 3D-Punktwolken direkt ohne Voxelisierung zu verarbeiten und zu klassifizieren. Es bietet ein System für die 3D-Objektklassifizierung, Frameworks für die semantische Segmentierung zur Unterteilung von Wolken in Kategorien sowie Tools zur Visualisierung von 3D-Formen. Das Projekt nutzt ein Transform-Netzwerk, um Punktwolken in einen kanonischen Koordinatenraum auszurichten, und verwendet eine auf symmetrischen Funktionen basierende Aggregation, um punktweise Merkmale unabhängig von der Punktreihenfolge in globale Vektoren zu verdichten. Zudem verfügt es über eine Multi-Scale-Grouping-Architektur, um hierarchische geometrische Merkmale über verschiedene räumliche Skalen hinweg zu extrahieren. Das System umfasst Datenpipelines zur Konvertierung von rohen 3D-Innenraum-Parsing- und Formdaten in HDF5-Dateien für das Training. Die Evaluierungsfunktionen decken Genauigkeitsmetriken für die Segmentierung sowie das Rendering von falsch klassifizierten 3D-Punktwolken in Drei-Ansichten-Bilder zur Fehleranalyse ab.

Kaolin ist eine PyTorch-3D-Deep-Learning-Bibliothek, die eine umfassende Suite an Tools für 3D-Geometrieverarbeitung, Physiksimulation, Datenvisualisierung und gradientenbasiertes Rendering für Computer Vision bereitstellt. Die Bibliothek enthält einen differenzierbaren 3D-Renderer und ein Toolkit zur Geometrieverarbeitung für die Konvertierung und Transformation von 3D-Repräsentationen wie Meshes und Punktwolken. Sie verfügt zudem über eine 3D-Physiksimulations-Engine zur Berechnung physikalischer Interaktionen und Kollisionen zwischen dreidimensionalen Objekten und Szenen. Das Toolkit bietet Utilities für die 3D-Datenvisualisierung, einschließlich der Erstellung interaktiver Ansichten und Turntable-Animationen. Zusätzliche Funktionen decken das 3D-Datenmanagement, die Datenvorverarbeitung und das Rendering von 3D-Repräsentationen ab.

Dieses Projekt ist ein PyTorch-basiertes Framework für Deep-Learning-Modelle, das für die Klassifizierung und semantische Segmentierung von 3D-Punktwolkendaten entwickelt wurde. Es bietet Implementierungen der PointNet-Architektur, um globales Category-Labeling ganzer Objekte sowie detaillierte Partitionierungen großflächiger 3D-Umgebungen durchzuführen. Das System handhabt semantische Segmentierung über mehrere Skalen hinweg, von der Identifizierung einzelner Komponenten innerhalb eines Objekts bis hin zur Kennzeichnung unterschiedlicher Kategorietypen innerhalb großflächiger Szenen. Das Framework enthält strukturelle Komponenten für die Verarbeitung ungeordneter Punktmengen, wie Farthest-Point-Sampling, hierarchisches Point-Set-Grouping und symmetrische Set-Aggregation-Netzwerke. Es bietet zudem Offline-Daten-Preprocessing-Utilities und Tools zur Generierung von 3D-Objektdateien, um Segmentierungsergebnisse in externer Software zu visualisieren.

FAST_LIO ist ein Echtzeit-SLAM-System und ein LiDAR-Inertial-Odometrie-Paket für Simultaneous Localization and Mapping. Es fungiert als State-Estimation-Engine und 3D-Mapping-Tool, das LiDAR-Punktwolken mit Daten von Inertial Measurement Units (IMU) fusioniert, um eine robuste Schätzung des Roboterzustands zu ermöglichen. Das System nutzt einen eng gekoppelten Sensor-Fusionsansatz mit einem iterativen Kalman-Filter zur Schätzung von Position und Orientierung. Es zeichnet sich durch direktes Point-to-Plane-Matching aus, das die Odometrie berechnet, indem rohe Lidar-Punkte mit der Kartenoberfläche abgeglichen werden, ohne manuelle geometrische Merkmalsextraktion. Um hohe Verarbeitungsgeschwindigkeiten beizubehalten, verwendet es inkrementelles KD-Tree-Mapping und parallele räumliche Suchbäume. Das Framework deckt ein breites Spektrum an Funktionen ab, darunter Motion-Undistortion zur Korrektur räumlicher Verzerrungen und Synchronisierung von Sensor-Zeitstempeln. Es bietet zudem Hilfsmittel für die Kalibrierung von Sensor-Extrinsics, die Initialisierung der Sensorausrichtung und den Export akkumulierter globaler Punktwolken. Das Projekt ist in C++ implementiert und bietet Interfaces zur Integration externer IMU- und LiDAR-Datenströme.

LIO-SAM ist ein Lidar-Inertial-SLAM-Framework und eine eng gekoppelte Sensor-Fusion-Pipeline. Es fungiert als Factor-Graph-Optimierungs-Engine, die Lidar-Scans und Daten der Inertial Measurement Unit (IMU) kombiniert, um 3D-Punktwolkenkarten zu erstellen und Roboter-Trajektorien zu schätzen. Das System integriert globale Positionsfaktoren, um lokale Koordinaten mit realen Daten abzugleichen. Es verwendet Loop-Closure-Erkennung, um bereits besuchte Orte zu identifizieren und Einschränkungen im Optimierungsgraphen zu erstellen, um akkumulierte globale Drift zu korrigieren. Das Framework deckt Lidar-Inertial-Odometrie, Punktwolkenverarbeitung und Trajektorienoptimierung ab. Es nutzt Sliding-Window-Smoothing für Echtzeit-Odometrie, während es im Hintergrund Kartenoptimierung und inertial-basierte Punkt-Deskewing zur Korrektur von Bewegungsverzerrungen durchführt. Das Toolset enthält Utilities, um generierte 3D-Punktwolkenkarten für die Offline-Analyse in Standard-PCD-Dateiformate zu exportieren.

CloudCompare ist eine professionelle Softwareanwendung zur Verarbeitung und Analyse von 3D-Punktwolken und polygonalen Meshes. Sie fungiert als Tool zur 3D-Mesh-Analyse und als Visualisierer für große Datensätze, der darauf ausgelegt ist, Millionen von Punkten in einer 3D-Umgebung anzuzeigen und zu verwalten. Die Software bietet spezialisierte Funktionen für den Vergleich von Punktwolken und nutzt eine optimierte Octree-Struktur, um räumliche Unterschiede zwischen zwei 3D-Datensätzen zu berechnen. Dies ermöglicht die Identifizierung von Abweichungen und Fehlern zwischen Punktwolken oder zwischen einer Punktwolke und einem Mesh. Das System deckt breite Bereiche der 3D-Datenanalyse ab, einschließlich der Verarbeitung großskaliger Punktmengen und der geometrischen Auswertung von 3D-Meshes. Die Performance wird durch speichereffiziente Verarbeitung und spezialisiertes Rendering für massive Datensätze aufrechterhalten.

An Efficient Probabilistic 3D Mapping Framework Based on Octrees. Contains the main OctoMap library, the viewer octovis, and dynamicEDT3D.

A LiDAR odometry pipeline that just works

A C++ & Python viewer for 3D data like meshes and point clouds