一、Laser Drafting（论文文献综述）
李洁,赵群虎,于林[1]（2021）在《激光雷达技术在老旧街道改造测量中的应用研究》文中进行了进一步梳理伴随"十四五"规划的开启,全国老旧街道改造项目也相继展开。此类项目实施的首要工作就是对道路地形及其两侧建筑物立面等信息进行采集。相较常用的测绘技术而言,传统测量主要依靠人工操作,效率低、周期长,很难满足项目的时限需求;无人机倾斜摄影测量受测区条件及地面环境,以及遮挡、空域受限等情况影响,也不能很好地满足项目需求。基于此,本文以西安市钟楼附近老旧街道改造提升项目为例,使用手持激光雷达对测区内道路地形、巷道两侧建筑物进行扫描,利用软件对扫描形成的点云数据进行处理,再通过内业测图软件进行矢量数据采集绘制,形成成果图件,同时使用传统仪器实测进行数据比对。经检验,制图平面精度可达3～5 cm,所以激光雷达这种作业快速、高效的技术手段可用于老旧街道改造提升类项目的数据采集与制图。
孙喜亮,关宏灿,苏艳军,徐光彩,郭庆华[2]（2021）在《面向高精度城市测绘的激光紧耦合SLAM方法》文中研究指明针对激光SLAM在城市测绘中存在的累积误差大、稳健性差的问题,本文提出了一种面向城市高精度制图的激光紧耦合SLAM方法,该方法引入杆状和面状特征进行点云配准,降低了城市环境下SLAM的累积误差,并通过GNSS角点位置约束,提高了全局地图构建的准确性。本文在4组城市常见场景（开放园区、地下车库、城市公园、街区道路）中对所提方法进行了验证,并与目前主流的LOAM、LeGO-LOAM和LIO-SAM方法进行了对比,试验结果表明LOAM和LeGO-LOAM在复杂城市场景中稳定性较差,LIO-SAM和本文所提方法成功实现了4组场景的制图。与LIO-SAM相比,本文所提方法仅采用激光惯导紧耦合时,轨迹绝对位置误差较LIO-SAM降低了32.25%,结合GNSS位置因子后进一步降低了92.03%（轨迹精度均优于10 cm）。此外,开放园区的控制点精度评定表明本文所提方法的点云绝对坐标精度优于5 cm。
王培峰[3]（2021）在《背包式移动三维激光扫描系统在铁路勘测中的应用》文中研究指明当前铁路勘测已初步形成"空-天-地"一体化数据测量与处理体系,但仍存在数据采集盲区。背包式移动三维激光扫描系统具有环境适应性强、作业效率高、成果精度高等优点,能够有效弥补当前铁路勘测过程中的不足。本文介绍背包式移动三维激光扫描系统及其测量作业过程,探讨背包式移动三维激光扫描系统在地形测量、断面测量、房屋拆迁调查、桥墩测量、涵洞丈量等勘测任务中的应用,通过工程实例应用表明该技术在满足测图精度的同时能够改变现有作业模式并提高生产力,为铁路勘测带来新的技术变革,具有广阔的应用前景。
朱笑笑[4]（2021）在《基于ICESat-2和GEDI数据的中国30米分辨率森林高度反演研究》文中研究指明全球气候变化是当今人类共同面临的最严峻挑战之一,关系着人类的生存和发展,已成为各国政府日益关注的热点问题。森林作为陆地生态系统的主体,在减缓全球气候变化、实现碳中和目标等方面具有不可替代的作用。大区域森林高度的精确测定有利于降低森林碳汇估算的不确定性,对陆地碳循环、全球变化等研究有着重要的意义。作为一种主动遥感技术,激光雷达能够快速精确获取森林垂直结构信息,在森林高度反演方面具有独特优势。其中星载LiDAR覆盖范围广,被广泛用于全球/大区域森林高度反演与制图。第一代星载激光雷达ICESat-1/GLAS已成功应用于全球/大区域森林高度制图,但由于激光点密度低导致制作的森林高度产品空间分辨率低（通常为500 m或1 km）。相比ICESat-1/GLAS,新一代星载激光雷达ICESat-2/ATLAS和GEDI具有更小的光斑直径和更高的采样密度,为大区域高分辨率森林高度制图提供了可能。本论文旨在利用新一代星载LiDAR数据和其他多源遥感大数据实现中国区域30m分辨率森林高度制图,主要从以下四个方面开展研究:1)深入研究光子计数激光雷达ICESat-2/ATLAS数据处理关键技术,即光子点云去噪和分类;2)分别构建基于两种不同模态星载LiDAR数据（GEDI和ICESat-2/ATLAS）的光斑尺度森林高度反演模型;3)开展不同模态星载LiDAR森林高度一致性研究;4)构建主被动遥感协同的森林高度外推模型,实现中国区域30 m分辨率森林高度制图。本文主要研究内容和结论如下:（1）提出了基于改进OPTICS的光子点云去噪算法。该算法首先构建高程统计直方图去除明显的噪声光子点,然后利用改进OPTICS算法实现精去噪,最后基于光子点高程分布特征去除残留噪声点。研究结果表明:本文提出的去噪算法对输入参数不敏感,自适应性强。相比ATL08去噪算法,该算法可有效提取地形复杂区域的信号光子点;相比改进的DBSCAN算法,F值平均提高了约5%。（2）提出了多层级渐进的光子点云分类算法,通过初始地面光子点提取和伪地面光子点去除等步骤降低了冠层点以及噪声点对地面点提取的影响,提高了复杂地形和植被密集覆盖区域地面点的提取精度。研究结果表明:相比ATL08分类算法,本文提出的光子点云分类算法更适用于植被密集覆盖区域或者地面光子点稀疏区域,地面光子点提取精度提高了8%。（3）构建了基于GEDI和ICESat-2/ATLAS数据的光斑尺度森林高度反演模型,定量评价了不同场景下森林高度反演精度,并探讨了多种高度百分位参数与机载LiDAR森林高度之间的相关性。为更好地验证森林高度提取精度,采用了美国区域大量公开的机载LiDAR数据开展研究。结果表明:对于GEDI和ICESat-2/ATLAS数据,与机载LiDAR数据提取森林高度相关性最高的高度百分位数分别是RH95和RH100;相比ICESat-2/ATLAS,GEDI提取的森林高度精度更高;对于不同场景下ICESat-2/ATLAS数据,晚上采集数据提取的森林高度精度通常比白天高,强信号提取的森林高度精度通常比弱信号高。（4）建立了两种不同模态星载LiDAR森林高度一致性模型。以GEDI提取的森林高度为标准值,耦合机器学习和逐步线性回归算法建立GEDI森林高度与光子点云特征参数之间的一致性模型,并探讨了该模型在不同森林类型和实验区之间的移植性。研究结果表明:通过森林高度一致性模型,可以极大降低不同模态星载LiDAR提取森林高度的差异性,使GEDI和ICESat-2/ATLAS提取的森林高度精度达到基本一致;对于不同的实验区和森林类型,可以建立具有普适性的森林高度一致性模型。（5）制作了中国区域30 m分辨率森林高度图。以星载LiDAR数据为主要数据源,联合哨兵1、哨兵2、Landsat 8等数据提取的30个特征参数,利用机器学习算法针对不同生态区和森林类型分别构建森林高度外推模型,制作了中国区域30 m分辨率森林高度分布图（平均误差为0.08 m,RMSE为2.67 m）,将中国区域现有森林高度产品的空间分辨率从500 m提高到了30 m。
陈松[5]（2021）在《结合Sentinel-2与机载LiDAR数据的森林蓄积量反演模型研究》文中进行了进一步梳理森林蓄积量是衡量森林质量、评价森林经营能力的一个关键指标,也是评价森林固碳水平的主要因子。传统人工调查获取蓄积量的方式费时耗力,遥感影像结合地面调查样地构建蓄积量反演模型可以弥补传统调查方式的不足。激光雷达的快速发展也为蓄积量调查提供了助力。变量筛选方法和反演模型的选择是蓄积量遥感反演的关键。因此,选择合适的特征变量筛选方法,对现有遥感反演模型进行改进,提高模型的估计精度和工作效率,对蓄积量遥感反演研究具有重要意义。研究以赤峰市旺业甸林场为研究区,利用实地调查的76个25m×25m的样地数据,结合Sentinel-2遥感影像与LiDAR点云数据提取特征变量,采用线性逐步回归法和随机森林法进行特征变量筛选,对两种数据源所保留的特征变量分别使用多元线性回归模型（Multiple Linear Regression,MLR）、k最近邻（k-Nearest Neighbor,kNN）模型、随机森林模型（Random Forest,RF）进行研究区森林蓄积量估测和空间分布制图。由于LiDAR点云没有覆盖整个研究区,研究联合Sentinel-2影像与LiDAR点云建立联立方程组模型对研究区蓄积量进行估测与空间分布制图,并进行比较估测精度与制图效果。主要研究结论包括:（1）LiDAR点云的特征变量与蓄积量之间存在显着相关性,对提高模型反演精度有重要作用。以Sentinel-2影像为数据源结合样地蓄积量实测数据,共提取344个特征变量,其中24个特征变量与蓄积量显着相关（p<0.05）。相关系数绝对值前五的特征变量为Cor2、Ent13、Sec4、Mean15和Mean7,相关性分别为0.341、-0.332、0.327、-0.326和-0.322。以LiDAR点云为数据源结合蓄积量实测样地数据,共提取98个特征变量,其中50个特征变量与蓄积量显着相关（p<0.05）。相关系数绝对值前五的特征变量分别为ele＿mean、ele＿sms、ele＿p＿25、ele＿p＿20和 ele＿H＿10,相关性分别为 0.797、0.795、0.795、0.794 和 0.794。（2）线性逐步回归法整体优于随机森林法。在使用Sentinel-2影像进行反演时,MLR模型在线性逐步回归法的表现要优于随机森林法,但对于RF模型,由于随机森林法是基于特征变量对于随机森林回归的贡献度选择变量的,建模效果要优于线性逐步回归法。在使用LiDAR点云反演时,MLR模型在两种变量选择方法中都优于RF模型与kNN模型。（3）联合Sentinel-2遥感影像与LiDAR点云数据建立的联立方程组模型反演结果优于只使用Sentinel-2影像的反演模型。研究分别使用Sentinel-2影像、LiDAR点云、Sentinel-2影像联合LiDAR点云对研究区进行蓄积量反演。虽然只使用LiDAR点云的模型反演效果最好,但无法对点云数据以外区域的森林蓄积量进行估测,不能获取研究区连续的森林蓄积量空间分布图。而使用Sentinel-2影像联合LiDAR点云的方法在两种特征变量筛选下决定系数最高达到了 0.66,且RMSE、rRMSE和MAE与仅使用Sentinel-2影像的方法相比均达到最小（RMSE=37.78m3/hm2,rRMSE=17.67%,MAE=30.88m3/hm2）。联合 Sentinel-2 遥感影像与LiDAR点云数据建立的联立方程组模型在能够制图的前提下提高了反演精度。（4）联立方程组模型森林蓄积量空间分布与实际蓄积量分布情况基本一致,制图效果最好。东南部和西南部地区森林较多,分布较多蓄积量大于300 m3/hm2的区域,中部与西北部地区蓄积量分布较少,林场蓄积量主要分布为100-300 m3/hm2。MLR模型、kNN模型与RF模型均产生了高估值与低估值。联立方程组模型在所有模型中制图效果最好,能为森林蓄积量反演提供参考。
边瑞[6]（2021）在《基于多源遥感数据的祁连山国家公园森林生物量估算研究》文中研究说明近几十年来,随着人们对全球气候变化认识的不断更新和越发重视森林所提供的生态系统服务,森林资源评估越来越受到各国政府的重视,准确估算森林地上生物量（Aboveground Biomass,AGB）对于从区域碳估算到生物能源政策再到森林可持续管理等领域都至关重要。本文将Landsat影像、无人机（Unmanned Aerial Vehicle,UAV）激光雷达（Light Detection And Ranging,LiDAR）和森林调查数据相结合,利用多元线性回归、随机森林、支持向量机模型和Boosting四种算法,对祁连山国家公园森林地上生物量进行了精确估算,并基于Landsat数据绘制2019年祁连山国家公园的森林地上生物量空间分布图。本文通过不同数据源估算森林地上生物量的能力,旨在开发一种精确估算祁连山森林生物量的方法,以遥感手段代替野外生物量调查,对比不同数据源、不同方法、不同变量,进一步提高生物量模型质量。以下是本文的主要结论:（1）依据2019年LiDAR点云数据提取能够描述森林高度、密度、冠幅和回波变化的预测因子,并将其用于基于样方数据开发的不同模型中并建立最佳生物量预测模型。无人机激光雷达地面点和植被点分类的总体精度为95.80%;单木分割的正确率达86.5%。基于UAV LiDAR数据的地上生物量建模结果表明,高度变量是森林地上生物量建模中最重要的变量;非参数模型的估算结果比参数模型更佳,随机森林模型效果最佳,R2=0.93,RMSE=30.55 Mg·ha-1;地形变量提升了森林地上生物量建模精度,引入坡度变量生物量模型方差解释量增加0.2%,引入海拔变量生物量模型方差解释量增加了1.03%。（2）从2008年、2018年的Landsat数据中提取光谱指标,利用回归法和多种机器学习法建立生物量模型。根据随机森林重要性排序,模型的最优变量组合为绿波段、绿度指数、近红外波段、湿度指数、短波红外1波段、土壤调节植被指数、短波红外2波段、调整土壤亮度植被指数、差值植被指数、增强型植被指数。基于单一变量进行生物量估算,模型精度相对较差,随机森林法的模型精度最高。基于Landsat组合变量的生物量预测结果较单一变量有所提高,在生物量较高和较低时,出现较明显的低估和高估现象;四种生物量模型中Boosting模型获得了最高的性能,R2=0.74,RMSE=33.33 Mg·ha-1,多元线性回归模型的精度最差。（3）基于2019年Landsat 8影像进行祁连山国家公园森林生物量制图。选择2017年FROM-GLC10这一数据集的林地作为祁连山国家公园的森林区域,将基于Landsat数据的多变量Boosting模型外推,得到祁连山国家公园森林地上生物量在空间上的分布。地上生物量值的范围从87.23 Mg·ha-1到249.36 Mg·ha-1,大部分区域的生物量分布在100-150 Mg·ha-1范围内,占所有森林面积的48.11%;分布最少的在50-100 Mg·ha-1这个区间,仅占森林面积的0.17%。（4）在祁连山国家公园内,有效结合2019年Landsat 8 OLI提取的光谱指标和LiDAR数据提取的垂直结构指标估算森林地上生物量。结果表明,按照随机森林得到的重要性,并考虑特征变量之间的自相关和组合效应,最佳的变量组合为:湿度指数、绿波段、短波红外1波段、调整土壤亮度植被指数、第95%所在高度、最小树高。结合UAV LiDAR和Landsat两个数据,可以在AGB预测性能上有小幅提高。与单独的激光雷达变量、Landsat变量相比,基于两种数据集的随机森林模型在地上生物量估算方面具有更好的潜力,改进森林地上生物量的预测精度,解释模型总方差的95%。总体而言,综合利用Landsat 8和LiDAR数据的随机森林模型能够准确估算森林生物量,该建模工作流程将极大地促进未来森林生物量估计和碳储量评估。
胡丁文[7]（2021）在《基于图优化的大范围动态室内环境移动机器人定位与制图》文中研究说明为让机器人在工作环境中自主地移动,定位和绘制环境地图这两项基础功能便是不可或缺的。经多年发展,基于视觉的同时定位和制图（Visual Simultaneous Localization and Mapping,VSLAM）已经有比较成熟的框架,且能为机器人提供基本的环境感知能力。SLAM（Simultaneous Localization and Mapping,SLAM）系统框架的前端是整个框架的数据入口,其主要部分是视觉里程计,主要负责对机器人位姿和空间点进行实时的估计,所以视觉里程计的鲁棒性将影响整个系统的稳定性,故本文对视觉里程计中的特征提取和匹配过程进行了研究。此外,当面对相对较大范围的复杂外界环境时,受机器人硬件及算法性能的限制,现有SLAM算法针对大范围环境地图的绘制和管理仍需改进。并且为了实时运行,当前多数SLAM算法绘制的都是稀疏特征点地图,仅能用于基本定位,不支持导航、路径规划或场景重构等高级功能。针对以上这些问题,本文从下面的几个点入手研究和改进视觉SLAM系统:（1）本文首先介绍基于特征点的图优化SLAM的发展历程及图优化视觉SLAM系统的经典框架,分别对框架中的前端视觉里程计、回环检测、基于优化的后端、基于特征点的地图绘制及基于点云的3D稠密重建等模块进行了介绍。（2）其次,介绍本文在ORB算法基础上改进的基于图像中特征点分布的相邻帧帧间特征匹配方法。对当前主流的一些特征检测算法进行了分析,通过实验对比,展示了ORB（Oriented FAST and Rotated BRIEF,ORB）算法的优势。但原始的ORB特征提取算法在提取单帧图像中的ORB特征时,只会对该图像中的每个单独的ORB特征点进行提取和描述,没有利用ORB特征在图像中的分布信息。而在进行帧间匹配时,对于具有相似描述子的两个特征点,容易造成误匹配。因此,对原始ORB算法进行改进,加入ORB特征点在图像中的分布位置作为辅助信息,以提高特征匹配的效率和准确率,进而提升视觉里程计的效率和准确率。（3）然后,在深入研究基于图优化的开源算法ORBSLAM2（Oriented fast and Rotated Brief SLAM2,ORBSLAM2）的基础上,进一步将重点放在较大范围场景下的地图保存和更新上,对较大范围场景下的地图保存过程进行了说明。同时,针对绘制地图时,地图中出现的动态变化部分,讨论了如何将变化后的地图局部更新到地图中。（4）最后,利用现有机器人硬件平台,结合开源机器人操作系统ROS（Robot Operating System,ROS）在ORBSLAM2算法框架的基础上设计并实现了整个视觉SLAM系统。系统具备对环境的实时3D点云稠密重建、环境地图保存和动态部分更新、地图重加载及重定位的能力。通过实际的场地测试,验证了系统在不同场景下的实际性能。最终结果表明,本文设计的SLAM系统可以实现对较大范围场景地图的绘制、更新和保存,也可以重加载已保存的地图并在该地图上实现重定位功能。
孙宇[8]（2021）在《面向自动驾驶的户外点云特征提取及定位技术研究》文中提出定位作为自动驾驶系统的基础,是系统实现路线规划、轨迹追踪的前提。基于激光雷达的三维点云配准定位,是近年来自动驾驶定位领域一个重要研究方向。激光雷达作为自动驾驶系统中的重要感知设备,采集到的点云数据具有不易受环境影响、感知范围大等特点,适用于自动驾驶户外定位工作。但户外点云具有数据稀疏且分布不均匀等特点,很难从中提取出稳定特征用于传统点云配准定位方法。针对上述情况,本文研究设计了一个针对自动驾驶户外场景的点云特征提取模型,并在此基础上对传统点云配准定位方法进行优化,实现了一个无需前置信息、准确稳定的点云配准定位方法。本文的主要研究工作如下:（1）设计了一个基于核心点卷积（Kernel Point Convolution,KPConv）的点云特征提取模型。针对自动驾驶户外场景中三维点云稀疏且不均匀的问题,本模型结合地面采样滤除、三维卷积正则化和构建残差网络等方法提取显着且稳定的点云特征,为后期点云配准定位提供了可靠的保证。（2）研究实现了一种高准确率、高可靠性的自动驾驶户外点云配准定位方法。结合点云特征提取、三维点云体素采样、词袋模型算法、时间及几何一致性检查等技术,对传统正态分布变换（Normal Distributions Transform,NDT）定位方法进行优化,实现了在自动驾驶户外场景中,无需前置信息的点云配准定位方法,相较于传统定位方法准确率更高、实用性更强。（3）制作了近40GB的自动驾驶户外场景实验数据集。为证明本文定位方法在实际应用中的可靠性,采集了兰州大学校园内多条路段的点云及对应的全球导航卫星系统（Global Navigation Satellite System,GNSS）数据,将其进行筛选处理,并在此基础上针对不同应用场景进行了实验。实验表明,本文提出的基于KPConv的点云特征提取模型,可提取出稳定的点云特征信息。在此基础上实现的配准定位方法在自动驾驶多种应用场景中均可取得准确率超过98.5%的定位结果,对点云配准定位在自动驾驶的研究发展,有着重要的参考意义和应用价值。
程雪连,陈福德[9]（2021）在《CAI技术在“机械制图测绘与CAD实训”课程中的应用》文中提出文章对目前教学中机械制图测绘和工程实际脱节的原因进行了分析,针对复杂的教学零件测绘缺点,提出了融合计算机辅助测量（CAI）技术,该技术是一项比较先进的测量技术。详述了结合CAI技术以手持式三维激光扫描仪为例的现代测绘过程。用一种新的绘制模式和方法代替传统的测量方法,提高了测量的准确性和有效性,解决了不规则曲面复杂的测量方法。
郭庆华,关宏灿,胡天宇,金时超,苏艳军,王雪静,魏邓杰,马勤,孙千惠[10]（2021）在《新一代1:50万中国植被图绘制方法探讨》文中研究指明植被图是表示多种植被或植物群落的空间分布规律及其生态环境的地图,它是生物多样性保护、生态研究、自然资源管理和生态恢复的重要依据.目前,中国植被专题资源信息的本底数据《中华人民共和国植被图（1:1000000）》从开始绘制至今已将近40年,中国的植被分布格局已经发生了极大的变化,《中华人民共和国植被图（1:1000000）》已存在植被斑块的类别和边界与现实不符等问题,中国的植被分布本底数据亟待更新.如今卫星遥感技术的发展为实现大面积区域的植被制图提供了一种实用且经济的手段.本文综述了国家尺度植被图的制图方法和卫星遥感技术在植被分类制图上的进展,并以此为基础,探讨中国新一代1:50万植被图的遥感制图方法.新一代1:50万中国植被图的绘制通过众源采集结合专家鉴定的方式获取海量植被类型样本,基于多源遥感数据,以植被斑块为对象,采用深度学习的方式实现遥感植被分类,并基于自主构建的植被在线平台,借助于全国各地的植被生态学家的专业知识实现对制图结果的校订和更新.
二、Laser Drafting（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Laser Drafting（论文提纲范文）
（1）激光雷达技术在老旧街道改造测量中的应用研究（论文提纲范文）
| 1 项目区概况及数据采集过程 |
| 1.1 项目区概况 |
| 1.2仪器设备、软件及人员 |
| 1.2.1 仪器设备 |
| 1.2.2 软件 |
| 1.2.3 人员 |
| 1.3 数据采集方案 |
| 2 数据处理 |
| 2.1 点云数据处理过程 |
| 2.1.1 数据配准与点云拼接 |
| 2.1.2 数据过滤 |
| 2.2 数据采集绘制 |
| 3 精度检验 |
| 4 结论与展望 |
（2）面向高精度城市测绘的激光紧耦合SLAM方法（论文提纲范文）
| 1 总体框架设计 |
| (1) IMU预积分。 |
| (2) 激光运动补偿和特征提取。 |
| (3) 特征匹配和相对位姿估计。 |
| (4) 局部地图构建及优化。 |
| (5) 闭环检测。 |
| (6) GNSS位置因子构建。 |
| (7) 全局地图构建及优化。 |
| 2 基于特征点匹配的相对位姿估计 |
| 2.1 特征点提取 |
| 2.2 特征匹配和相对位姿估计 |
| 3 多因子联合的全局地图构建及优化 |
| 3.1 GNSS角点提取 |
| 3.2 全局地图构建及优化 |
| 4 试验与分析 |
| 4.1 试验设备及数据介绍 |
| 4.2 仅利用激光惯导的本文方法与不同SLAM方法的精度对比 |
| 4.3 GNSS角点位置约束的影响分析 |
| 4.4 本文方法的点云制图精度分析 |
| 5 结 论 |
（4）基于ICESat-2和GEDI数据的中国30米分辨率森林高度反演研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 缩略词注释 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光子计数LiDAR数据处理 |
| 1.2.2 光斑尺度星载LiDAR森林高度反演 |
| 1.2.3 不同模态星载LiDAR森林高度一致性研究 |
| 1.2.4 主被动遥感协同的森林高度制图研究 |
| 1.3 研究内容与目标 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文结构安排 |
| 第2章 研究区及数据 |
| 2.1 中国研究区及数据 |
| 2.1.1 研究区概况 |
| 2.1.2 数据获取 |
| 2.2 美国研究区及数据 |
| 2.2.1 研究区概况 |
| 2.2.2 数据获取 |
| 2.3 本章小结 |
| 第3章 光子计数LiDAR数据处理 |
| 3.1 光子点云去噪 |
| 3.1.1 基于改进OPTICS的光子点云去噪算法 |
| 3.1.2 精度评估 |
| 3.1.3 结果与分析 |
| 3.2 光子点云分类 |
| 3.2.1 光子点云分类算法 |
| 3.2.2 精度评估 |
| 3.2.3 结果与分析 |
| 3.3 本章小结 |
| 第4章 光斑尺度星载LiDAR森林高度反演 |
| 4.1 ATL03 数据地面高程精度验证及误差分析 |
| 4.1.1 地面高程精度验证与误差分析 |
| 4.1.2 地面高程精度验证结果 |
| 4.1.3 地面高程误差分析 |
| 4.2 不同模态星载LiDAR森林高度提取与精度验证 |
| 4.2.1 森林高度提取 |
| 4.2.2 森林高度反演精度验证 |
| 4.2.3 结果与分析 |
| 4.3 本章小结 |
| 第5章 不同模态星载LiDAR森林高度一致性分析 |
| 5.1 不同模态星载LiDAR森林高度精度差异性分析 |
| 5.1.1 重叠光斑提取 |
| 5.1.2 森林高度精度差异性验证与影响因素分析 |
| 5.2 星载LiDAR森林高度一致性模型 |
| 5.2.1 ICESat-2 光子数据特征参数设计与提取 |
| 5.2.2 森林高度一致性模型构建 |
| 5.2.3 结果与分析 |
| 5.3 森林高度一致性模型的移植性分析 |
| 5.3.1 森林高度一致性模型在不同森林类型移植性 |
| 5.3.2 森林高度一致性模型在不同实验区移植性 |
| 5.3.3 结果与分析 |
| 5.4 本章小结 |
| 第6章 中国区域30 m分辨率森林高度制图 |
| 6.1 中国星载LiDAR森林高度数据集 |
| 6.1.1 数据筛选 |
| 6.1.2 中国区域森林高度一致性模型建立与验证 |
| 6.2 影像特征参数提取 |
| 6.2.1 遥感影像特征参数提取 |
| 6.2.2 遥感影像特征参数提取结果 |
| 6.3 森林高度外推模型构建 |
| 6.3.1 森林高度外推模型构建与精度验证 |
| 6.3.2 结果与分析 |
| 6.4 森林高度制图与精度验证 |
| 6.4.1 森林高度制图方法 |
| 6.4.2 精度评估 |
| 6.4.3 结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 主要创新性 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）结合Sentinel-2与机载LiDAR数据的森林蓄积量反演模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 传统森林蓄积量调查 |
| 1.2.2 遥感森林蓄积量估测 |
| 1.3 课题来源 |
| 1.4 研究方案与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 自然环境条件 |
| 2.3 样地布设 |
| 3 数据获取与处理 |
| 3.1 外业数据采集与处理 |
| 3.2 遥感影像收集与预处理 |
| 3.2.1 Sentinel-2影像获取 |
| 3.2.2 Sentinel-2影像预处理 |
| 3.3 激光雷达点云收集与预处理 |
| 3.3.1 LiDAR点云采集 |
| 3.3.2 LiDAR点云预处理 |
| 4 基于Sentinel-2影像和LiDAR点云的森林蓄积量估算 |
| 4.1 特征变量提取 |
| 4.1.1 Sentinel-2特征变量 |
| 4.1.2 LiDAR特征变量 |
| 4.2 相关性分析 |
| 4.3 特征变量筛选 |
| 4.3.1 线性逐步回归法 |
| 4.3.2 随机森林法 |
| 4.4 模型精度评价指标 |
| 4.5 多元线性回归模型 |
| 4.6 kNN模型 |
| 4.7 随机森林模型 |
| 4.8 模型精度评价与分析 |
| 4.8.1 模型精度比较 |
| 4.8.2 空间分布图分析 |
| 4.9 小结 |
| 5 联合Sentinel-2影像与LiDAR点云的森林蓄积量估算 |
| 5.1 联立方程组模型 |
| 5.2 特征变量拟合 |
| 5.2.1 线性逐步回归法 |
| 5.2.2 随机森林法 |
| 5.3 联合反演模型精度评价与分析 |
| 5.3.1 模型精度比较 |
| 5.3.2 空间分布图分析 |
| 5.4 小结 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 讨论 |
| 参考文献 |
| 附录 攻读学位期间的主要学术成果 |
| 致谢 |
（6）基于多源遥感数据的祁连山国家公园森林生物量估算研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于光学遥感的森林生物量估算研究 |
| 1.2.2 基于激光雷达的森林生物量估算研究 |
| 1.3 研究问题 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 数据与方法 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 植被资源状况 |
| 2.2 数据及预处理 |
| 2.2.1 样地数据 |
| 2.2.2 Landsat数据 |
| 2.2.3 激光雷达数据 |
| 2.2.4 辅助数据 |
| 2.3 生物量模型 |
| 2.3.1 多元线性回归 |
| 2.3.2 随机森林 |
| 2.3.3 支持向量机 |
| 2.3.4 Boosting算法 |
| 2.4 精度检验 |
| 2.4.1 激光雷达数据处理精度检验 |
| 2.4.2 生物量模型精度检验 |
| 第三章 基于无人机激光雷达的森林生物量估算 |
| 3.1 LiDAR样点位置 |
| 3.2 点云数据处理精度检验 |
| 3.2.1 点云分类验证 |
| 3.2.2 点云单木分割精度验证 |
| 3.3 基于UAV LiDAR的结构特征变量提取与筛选 |
| 3.3.1 基于UAV LiDAR的结构特征变量提取 |
| 3.3.2 基于UAV LiDAR的结构特征变量筛选 |
| 3.4 基于LiDAR点云数据的生物量建模与精度检验 |
| 3.4.1 基于LiDAR点云数据的生物量建模 |
| 3.4.2 基于LiDAR点云数据的模型检验 |
| 3.5 本章小结 |
| 第四章 基于Landsat光学影像的森林生物量估算 |
| 4.1 Landsat样点位置 |
| 4.2 光谱特征变量的提取和筛选 |
| 4.2.1 光谱特征变量的提取 |
| 4.2.2 光谱特征变量的筛选 |
| 4.3 基于Landsat变量的生物量建模和检验 |
| 4.3.1 基于单一变量的生物量建模与检验 |
| 4.3.2 基于多变量的生物量建模与检验 |
| 4.4 对比数据集确定祁连山国家公园森林区域 |
| 4.5 基于Landsat数据的祁连山国家公园生物量制图 |
| 4.6 本章小结 |
| 第五章 结合LiDAR和 Landsat的森林生物量估算 |
| 5.1 结合LiDAR和 Landsat的特征变量筛选 |
| 5.2 结合LiDAR和 Landsat的生物量建模与检验 |
| 5.2.1 结合LiDAR和 Landsat的生物量建模 |
| 5.2.2 结合LiDAR和 Landsat的模型检验 |
| 5.3 讨论 |
| 5.3.1 基于融合数据的生物量建模 |
| 5.3.2 机器学习方法的有效性 |
| 5.3.3 生物量建模的不确定性分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（7）基于图优化的大范围动态室内环境移动机器人定位与制图（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 视觉SLAM国内外研究现状 |
| 1.2.1 视觉SLAM早期发展 |
| 1.2.2 视觉SLAM发展过渡期 |
| 1.2.3 当前视觉SLAM发展 |
| 1.2.4 视觉SLAM国内研究概况 |
| 1.3 本文主要研究内容 |
| 1.4 本文章节安排 |
| 第二章 图优化视觉SLAM系统分析 |
| 2.1 视觉SLAM系统概述 |
| 2.1.1 基于图优化的视觉SLAM系统理论建模 |
| 2.1.2 视觉SLAM基本架构 |
| 2.2 ORB_SLAM2算法简介 |
| 2.2.1 ORB_SLAM2前端 |
| 2.2.2 ORB_SLAM2后端 |
| 2.3 视觉SLAM系统中的地图 |
| 2.3.1 平面二维地图 |
| 2.3.2 稠密点云地图 |
| 2.3.3 高效的八叉树地图 |
| 2.3.4 地图的选择 |
| 2.4 本章小结 |
| 第三章 基于ORB特征分布的特征匹配方法 |
| 3.1 ORB特征的提取与匹配 |
| 3.1.1 ORB特征的提取 |
| 3.1.2 ORB特征的匹配 |
| 3.2 基于特征分布的特征提取与匹配算法 |
| 3.2.1 主流检测算法简介 |
| 3.2.2 特征匹配策略分析 |
| 3.2.3 基于特征分布的特征点提取方法 |
| 3.2.4 基于特征分布的帧间匹配方法 |
| 3.3 特征提取与匹配实验及结果分析 |
| 3.3.1 特征提取与匹配参数的确定 |
| 3.3.2 特征提取速度对比 |
| 3.3.3 特征匹配速度和匹配质量对比 |
| 3.4 本章小结 |
| 第四章 基于ORB_SLAM2的地图构建 |
| 4.1 稀疏特征点地图的构建 |
| 4.1.1 ORB_SLAM2系统关键变量分析 |
| 4.1.2 稀疏特征点地图的保存 |
| 4.1.3 稀疏特征点地图的加载 |
| 4.1.4 基于稀疏特征点地图的重定位 |
| 4.1.5 实验设计与结果分析 |
| 4.2 三维稠密点云地图构建 |
| 4.2.1 RGBD相机稠密点云地图构建方法 |
| 4.2.2 稠密点云的保存 |
| 4.2.3 稠密点云的读取与融合 |
| 4.2.4 实验设计与结果分析 |
| 4.3 八叉树地图构建 |
| 4.3.1 八叉树地图简介 |
| 4.3.2 基于稠密点云构建八叉树地图 |
| 4.4 本章小结 |
| 第五章 基于移动机器人的地图构建与定位实现 |
| 5.1 硬件平台介绍 |
| 5.2 软件平台介绍 |
| 5.3 大范围稠密点云地图构建实验 |
| 5.4 稠密点云地图精度测试 |
| 5.4.1 单次绘制完整稠密点云地图精度测试 |
| 5.4.2 多子图融合稠密点云地图精度测试 |
| 5.5 地图局部更新实验 |
| 5.5.1 即时稠密点云地图更新实验 |
| 5.5.2 更新离线稠密点云地图实验 |
| 5.6 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（8）面向自动驾驶的户外点云特征提取及定位技术研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 点云特征提取研究现状 |
| 1.2.2 自动驾驶定位技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要贡献 |
| 1.3.3 本文组织结构 |
| 第二章 理论基础和背景技术 |
| 2.1 卷积神经网络 |
| 2.1.1 多层感知机 |
| 2.1.2 卷积层 |
| 2.1.3 池化与全连接层 |
| 2.1.4 KPConv卷积网络 |
| 2.2 随机采样一致算法 |
| 2.3 词袋模型技术 |
| 2.4 正态分布变换算法 |
| 2.5 本章小结 |
| 第三章 基于KPConv的户外点云特征提取模型研究 |
| 3.1 自动驾驶户外点云数据地面采样滤除 |
| 3.2 特征提取网络结构 |
| 3.3 自动驾驶户外点云特征提取实验 |
| 3.3.1 数据集介绍 |
| 3.3.2 户外点云特征提取模型训练 |
| 3.3.3 户外点云特征提取模型实验结果 |
| 3.4 本章小结 |
| 第四章 自动驾驶户外场景的点云配准定位方法研究 |
| 4.1 点云采样及特征提取 |
| 4.2 点云词袋模型词典构建 |
| 4.2.1 词袋构建 |
| 4.2.2 特征加权方法 |
| 4.3 点云词袋查询匹配 |
| 4.4 一致性检查 |
| 4.4.1 时间一致性检查 |
| 4.4.2 几何一致性检查 |
| 4.5 本章小结 |
| 第五章 点云配准定位方法在自动驾驶中的应用实验 |
| 5.1 实际场景实验数据采集与制作 |
| 5.2 实验平台及环境 |
| 5.3 针对回环定位检测应用的定位方法设计及实验 |
| 5.3.1 回环定位检测方法设计 |
| 5.3.2 回环定位检测方法实验 |
| 5.4 针对自动驾驶车辆初始定位应用的方法设计及实验 |
| 5.4.1 自动驾驶车辆初始定位算法设计 |
| 5.4.2 自动驾驶车辆初始定位方法实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）CAI技术在“机械制图测绘与CAD实训”课程中的应用（论文提纲范文）
| 0 引 言 |
| 1 课程传统测绘教学与工程实际相脱节 |
| 1.1 以手工为主传统的制图测绘 |
| 1.2 结合AutoCAD软件绘制机械工程图样 |
| 2 结合CAI技术的现代制图测绘过程 |
| 2.1 工件准备 |
| 2.2 手持式三维扫描仪—软件的使用 |
| 2.2.1 标定 |
| 2.2.2 扫描 |
| 2.2.3 点云数据的后处理 |
| 3 改革效果 |
| 4 结 论 |
（10）新一代1:50万中国植被图绘制方法探讨（论文提纲范文）
| 1 国家尺度植被图绘制方法 |
| 1.1 基于野外调查的植被图绘制方法 |
| 1.2 基于航片人工目视解译的植被图绘制方法 |
| 1.3 基于卫星遥感数据自动分类的植被图绘制方法 |
| 2 卫星遥感植被分类的发展趋势 |
| 2.1 数据源的发展 |
| 2.2 分类策略的发展 |
| 2.3 分类方法的发展 |
| 3 新一代1:50万中国植被图的遥感制图方法探讨 |
| 3.1 基于众包的样本采集方法 |
| 3.2 基于多特征融合和深度学习的植被分类方法 |
| 3.3 基于在线平台的植被图校订与更新方法 |
| 4 总结与展望 |
四、Laser Drafting（论文参考文献）
- [1]激光雷达技术在老旧街道改造测量中的应用研究[J]. 李洁,赵群虎,于林. 长春师范大学学报, 2021(12)
- [2]面向高精度城市测绘的激光紧耦合SLAM方法[J]. 孙喜亮,关宏灿,苏艳军,徐光彩,郭庆华. 测绘学报, 2021(11)
- [3]背包式移动三维激光扫描系统在铁路勘测中的应用[J]. 王培峰. 铁道建筑技术, 2021(10)
- [4]基于ICESat-2和GEDI数据的中国30米分辨率森林高度反演研究[D]. 朱笑笑. 中国科学院大学(中国科学院空天信息创新研究院), 2021
- [5]结合Sentinel-2与机载LiDAR数据的森林蓄积量反演模型研究[D]. 陈松. 中南林业科技大学, 2021
- [6]基于多源遥感数据的祁连山国家公园森林生物量估算研究[D]. 边瑞. 兰州大学, 2021(09)
- [7]基于图优化的大范围动态室内环境移动机器人定位与制图[D]. 胡丁文. 电子科技大学, 2021(01)
- [8]面向自动驾驶的户外点云特征提取及定位技术研究[D]. 孙宇. 兰州大学, 2021(09)
- [9]CAI技术在“机械制图测绘与CAD实训”课程中的应用[J]. 程雪连,陈福德. 现代信息科技, 2021(01)
- [10]新一代1:50万中国植被图绘制方法探讨[J]. 郭庆华,关宏灿,胡天宇,金时超,苏艳军,王雪静,魏邓杰,马勤,孙千惠. 中国科学:生命科学, 2021(03)