cuPCL

cuPCL 包含一些用于通过 CUDA 处理点云的库，以及相应的使用示例。该项目包含多个子文件夹，每个子文件夹都包含：

1. 使用 CUDA 实现的库
2. 展示库使用方法的示例代码，并通过与 PCL 的输出进行对比来验证性能和准确性

要开始使用，请按照以下步骤操作。

支持 Xavier、Orin 和 Linux x86 平台（对于 Jetpack 4.x、Jetpack 5.x 和 Linux x86_64 版本的库，请查看对应的分支）。

如果您遇到任何问题，请告知我们。

开始使用

请按照以下步骤开始使用。

第一步 - 安装依赖

安装 PCL（包含 Eigen）：

$sudo apt-get update
$sudo apt-get install libpcl-dev

第二步 - 构建

进入任意一个子文件夹，然后运行：

make

第三步 - 运行

1. 请先提升 CPU 和 GPU 性能：

sudo nvpmodel -m 0
sudo jetson_clocks

2. 使用方法：

./demo [*.pcd]

如何检查库的版本

$ strings lib* | grep version | grep lib
lib* version: 1.0 Jun  2 2019 09:30:19

测试环境

Jetson Xavier AGX 8GB
Jetpack 4.4.1
CUDA 10.2
PCL 1.8
Eigen 3

功能列表

cuICP

该项目提供：

1. 使用 CUDA 实现的 ICP 库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现
3. 两个点云文件：test_P.pcd 和 test_Q.pcd，每个文件包含 7000 个点

cuFilter

该项目提供：

1. 使用 CUDA 实现的滤波库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现
3. 一个点云文件：sample.pcd，包含 119978 个点

注意：目前支持两种滤波器：PassThrough 和 VoxelGrid。

cuSegmentation

该包提供：

1. 使用 CUDA 实现的分割库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现
3. 一个点云文件：sample.pcd，包含 119978 个点

注意：目前仅支持 SAC_RANSAC + SACMODEL_PLANE。

cuOctree

该包提供：

1. 使用 CUDA 实现的八叉树库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现
3. 一个点云文件：sample.pcd，包含 119978 个点

注意：目前仅支持半径搜索和近似最近邻搜索。

cuCluster

该包提供：

1. 使用 CUDA 实现的聚类库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现

注意：

1. 聚类可用于在通过分割去除路面后从点云中提取物体。
2. 示例将使用已去除路面的 PCD 文件（sample.pcd）。

cuNDT

该包提供：

1. 使用 CUDA 实现的 NDT 库
2. 展示库使用方法并验证性能和准确性的示例代码，通过与 PCL 的输出对比实现
3. 两个点云文件：test_P.pcd 和 test_Q.pcd，每个文件包含 7000 个点

性能对比

cuICP

	GPU	CPU-GICP	CPU-ICP
点云数量	7000	7000	7000
最大迭代次数	20	20	20
耗时(ms)	43.3	652.8	7746.0
适应度分数（越低越好）	0.514	0.525	0.643

cuFilter

Pass Through

	GPU	CPU
点云数量	11万+	11万+
上下限过滤范围	(-0.5, 0.5)	(-0.5, 0.5)
负值限制	false	false
筛选出的点数	5110	5110
耗时(ms)	0.660954	2.97487

VoxelGrid

	GPU	CPU
点云数量	11万+	11万+
体素大小	(1,1,1)	(1,1,1)
筛选出的点数	3440	3440
耗时(ms)	3.12895	7.26262

cuSegmentation

	GPU	CPU
分割耗时(ms)	14.9346	69.6264
模型系数	{-0.00273056, 0.0425288, 0.999092, 1.75528}	{-0.00273045, 0.0425287, 0.999092, 1.75528}
找到的点数	9054	9054

cuOctree

	GPU	CPU
点云数量	119978	119978
上下限过滤范围	(0.0,1.0)	(0.0,1.0)
负值限制	false	false
筛选出的点数	16265	16265
耗时(ms)	0.589752	2.82811

cuCluster

	GPU	CPU
点云数量	17万+	17万+
聚类耗时(ms)	10.3122	4016.85

cuNDT

	GPU	CPU
点云数量	7000	7000
耗时(ms)	34.7789	136.858
适应度分数（越低越好）	0.538	0.540

官方博客

https://developer.nvidia.com/blog/accelerating-lidar-for-robotics-with-cuda-based-pcl/ https://developer.nvidia.com/blog/detecting-objects-in-point-clouds-with-cuda-pointpillars/

cuPCL 快速上手指南

cuPCL 是一套基于 CUDA 加速的点云处理库，提供了包括 ICP、滤波、分割、八叉树、聚类和 NDT 等核心算法的 GPU 实现。本项目旨在通过对比 PCL CPU 版本，展示其在性能上的显著优势，特别适用于 Jetson Xavier/Orin 及 Linux x86_64 平台。

环境准备

系统要求

• 硬件平台：NVIDIA Jetson Xavier, Jetson Orin 或 Linux x86_64 PC。
• 软件版本参考：
  • Jetpack 4.x / 5.x (针对 Jetson 设备，请根据版本选择对应分支)
  • CUDA 10.2+
  • PCL 1.8+
  • Eigen 3

前置依赖

在开始之前，请确保系统已安装 PCL 开发库（包含 Eigen）。

Ubuntu/Debian 系统安装命令：

sudo apt-get update
sudo apt-get install libpcl-dev

提示：国内用户若下载缓慢，建议先将 apt 源替换为阿里云或清华大学镜像源后再执行上述命令。

安装步骤

cuPCL 无需全局安装，各功能模块独立编译。请以任意子模块（如 cuICP, cuFilter 等）为例进行操作：

1. 进入子模块目录 选择一个你需要的功能文件夹，例如：

   cd cuICP
   

2. 编译项目 直接运行 make 命令进行构建：

   make
   

   编译成功后将生成可执行文件 demo 及对应的动态库文件。

基本使用

1. 性能优化（仅限 Jetson 设备）

为了获得最佳的 GPU 加速效果，在运行前请将 Jetson 设备的功耗模式调至最大并锁定频率：

sudo nvpmodel -m 0
sudo jetson_clocks

注：Linux x86 桌面端无需执行此步骤。

2. 运行示例

使用生成的 demo 程序加载点云文件（.pcd 格式）进行测试：

./demo [*.pcd]

例如，使用模块自带的测试数据：

./demo test_P.pcd

程序运行后会自动执行 GPU 加速算法，并在终端输出耗时及精度结果（通常会与 CPU 版 PCL 的结果进行对比）。

3. 验证库版本

如需检查编译出的库文件版本信息，可执行：

strings lib* | grep version | grep lib