[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NVIDIA-AI-IOT--cuPCL":3,"tool-NVIDIA-AI-IOT--cuPCL":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85013,2,"2026-04-06T11:09:19",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75054,"2026-04-07T10:38:03",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65679,"2026-04-07T11:38:52",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":107,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":108,"updated_at":109,"faqs":110,"releases":121},5106,"NVIDIA-AI-IOT\u002FcuPCL","cuPCL","A project demonstrating how to use the libs of cuPCL.","cuPCL 是一套基于 CUDA 加速的点云处理开源库，旨在将传统 PCL（Point Cloud Library）中的核心算法移植到 GPU 上运行。它主要解决了在嵌入式设备（如 NVIDIA Jetson Xavier\u002FOrin）或 Linux 服务器上处理大规模点云数据时，CPU 计算速度慢、实时性不足的痛点。\n\n通过利用 GPU 的并行计算能力，cuPCL 在保持与原版 PCL 输出结果高度一致的前提下，显著提升了处理效率。例如在迭代最近点（ICP）配准任务中，其耗时可从 CPU 的数秒级降低至几十毫秒，性能提升高达百倍。目前该工具涵盖了滤波、分割、聚类、八叉树搜索及 NDT 配准等多种常用功能模块，并提供了完整的示例代码和测试数据，方便用户直接验证性能与精度。\n\ncuPCL 特别适合从事自动驾驶、机器人导航、三维重建等领域的开发者与研究人员使用，尤其是那些需要在资源受限的边缘设备上实现高效点云处理的团队。只要具备基础的 C++ 和 CUDA 开发环境，即可快速集成并体验 GPU 加速带来的性能飞跃。","# cuPCL\n\n\u003Ca>\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Documentation-bright\"\u002F>\u003C\u002Fa>\n\ncuPCL has some libraries used to process points cloud with CUDA and some samples for their usage.\nThere are several subfolders in the project and every subfolder has:\n\n1. lib implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n\nTo get started, follow the instructions below.\n\n**Xavier, Orin, and Linux x86 are supported(For Jetpack 4.x, Jetpack 5.x, and Linux x86_64 library, please check the respective branch).**\n\nIf you run into any issues please [let us know](..\u002F..\u002Fissues).\n\n## Getting Started\n\nTo get started, follow these steps.\n\n### Step 1 - Install Dependencies\n\nInstall PCL (Eigen included)\n\n```\n$sudo apt-get update\n$sudo apt-get install libpcl-dev\n```\n\n### Step 2 - Build\n\nEnter any subfolder and then\n\n```\nmake\n```\n\n### Step 3 - Run\n\n1. Please boost CPU and GPU firstly\n\n```\nsudo nvpmodel -m 0\nsudo jetson_clocks\n```\n\n2. Usage:\n\n```\n.\u002Fdemo [*.pcd]\n```\n\n## How to check the Version of the Lib\n\n```\n$ strings lib* | grep version | grep lib\nlib* version: 1.0 Jun  2 2019 09:30:19\n```\n\n## Test Enviroment\n\n```\nJetson Xavier AGX 8GB\nJetpack 4.4.1\nCUDA 10.2\nPCL 1.8\nEigen 3\n```\n\n## Functions List\n\n### cuICP\n\nThis project provides:\n\n1. lib for Icp implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n3. two point clounds: test_P.pcd and test_Q.pcd that both having 7000 points\n\n### cuFilter\n\nThe project provides:\u003Cbr>\n\n1. lib for Filter implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n3. A point clound: sample.pcd which has 119978 points\n\nNOTE: Now it supports two kinds of filters: PassThrough and VoxelGrid.\n\n### cuSegmentation\n\nThis package provides:\u003Cbr>\n\n1. lib for Segmentation implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n3. A point clound: sample.pcd which has 119978 points\n\nNOTE: Now it just supports SAC_RANSAC + SACMODEL_PLANE.\n\n### cuOctree\n\nThis package provides:\u003Cbr>\n\n1. lib for Octree implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n3. A point clound: sample.pcd which has 119978 points\n\nNOTE: Now it just supports Radius Search and Approx Nearest Search\n\n### cuCluster\n\nThis package provides:\u003Cbr>\n\n1. lib for Cluster implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n\nNOTE:\n\n1. Cluster can be used to extract objects from points cloud after road plane was removed by Segmentation.\n2. The sample will use a PCD(sample.pcd) file which had removed road plane.\n\n### cuNDT\n\nThis package provides:\n\n1. lib for NDT implemented by CUDA\n2. Sample code showing the lib usage and checking the perf and accuracy by comparing its output with PCL's\n3. two point clounds: test_P.pcd and test_Q.pcd that both having 7000 points\n\n## Performance Comparison\n\n### cuICP\n\n||GPU|CPU-GICP|CPU-ICP|\n|---|---|----|---|\n|count of points cloud|7000|7000|7000|\n|maximum of iterations|20|20|20|\n|cost time(ms)|43.3|652.8|7746.0|\n|fitness_score(the lower the better)|0.514|0.525|0.643|\n\n### cuFilter\n\n#### Pass Through\n\n||GPU|CPU|\n|-|-|-|\n|count of points cloud|11w+|11w+|\n|down,up FilterLimits|(-0.5, 0.5)|(-0.5, 0.5)|\n|limitsNegative|false|false|\n|Points selected|5110|5110|\n|cost time(ms)|0.660954|2.97487|\n\n#### VoxelGrid\n\n||GPU|CPU|\n|-|-|-|\n|count of points cloud|11w+|11w+|\n|LeafSize|(1,1,1)|(1,1,1)|\n|Points selected|3440|3440|\n|cost time(ms)|3.12895|7.26262|\n\n### cuSegmentation\n\n||GPU|CPU|\n|-|-|-|\n|segment by time(ms)|14.9346|69.6264|\n|model coefficients|{-0.00273056, 0.0425288, 0.999092, 1.75528}|{-0.00273045, 0.0425287, 0.999092, 1.75528}|\n|find points|9054|9054|\n\n### cuOctree\n\n||GPU|CPU|\n|-|-|-|\n|count of points cloud|119978|119978|\n|down,up FilterLimits|(0.0,1.0)|(0.0,1.0)|\n|limitsNegative|false|false|\n|Points selected|16265|16265|\n|cost time(ms)|0.589752|2.82811|\n\n### cuCluster\n\n||GPU|CPU|\n|-|-|-|\n|Count of points cloud|17w+|17w+|\n|Cluster cost time(ms)|10.3122|4016.85|\n\n### cuNDT\n\n||GPU|CPU|\n|-|-|-|\n|count of points cloud|7000|7000|\n|cost time(ms)|34.7789|136.858|\n|fitness_score(the lower the better)|0.538|0.540|\n\n## Official Blog\n\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Faccelerating-lidar-for-robotics-with-cuda-based-pcl\u002F>\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fdetecting-objects-in-point-clouds-with-cuda-pointpillars\u002F>\n","# cuPCL\n\n\u003Ca>\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Documentation-bright\"\u002F>\u003C\u002Fa>\n\ncuPCL 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：\n\n1. 使用 CUDA 实现的库\n2. 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\n\n要开始使用，请按照以下步骤操作。\n\n**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）。**\n\n如果您遇到任何问题，请[告知我们](..\u002F..\u002Fissues)。\n\n## 开始使用\n\n请按照以下步骤开始使用。\n\n### 第一步 - 安装依赖\n\n安装 PCL（包含 Eigen）：\n\n```\n$sudo apt-get update\n$sudo apt-get install libpcl-dev\n```\n\n### 第二步 - 构建\n\n进入任意一个子文件夹，然后运行：\n\n```\nmake\n```\n\n### 第三步 - 运行\n\n1. 请先提升 CPU 和 GPU 性能：\n\n```\nsudo nvpmodel -m 0\nsudo jetson_clocks\n```\n\n2. 使用方法：\n\n```\n.\u002Fdemo [*.pcd]\n```\n\n## 如何检查库的版本\n\n```\n$ strings lib* | grep version | grep lib\nlib* version: 1.0 Jun  2 2019 09:30:19\n```\n\n## 测试环境\n\n```\nJetson Xavier AGX 8GB\nJetpack 4.4.1\nCUDA 10.2\nPCL 1.8\nEigen 3\n```\n\n## 功能列表\n\n### cuICP\n\n该项目提供：\n\n1. 使用 CUDA 实现的 ICP 库\n2. 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\n3. 两个点云文件：test_P.pcd 和 test_Q.pcd，每个文件包含 7000 个点\n\n### cuFilter\n\n该项目提供：\n\n1. 使用 CUDA 实现的滤波库\n2. 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\n3. 一个点云文件：sample.pcd，包含 119978 个点\n\n注意：目前支持两种滤波器：PassThrough 和 VoxelGrid。\n\n### cuSegmentation\n\n该包提供：\n\n1. 使用 CUDA 实现的分割库\n2. 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\n3. 一个点云文件：sample.pcd，包含 119978 个点\n\n注意：目前仅支持 SAC_RANSAC + SACMODEL_PLANE。\n\n### cuOctree\n\n该包提供：\n\n1. 使用 CUDA 实现的八叉树库\n2. 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\n3. 一个点云文件：sample.pcd，包含 119978 个点\n\n注意：目前仅支持半径搜索和近似最近邻搜索。\n\n### cuCluster\n\n该包提供：\n\n1. 使用 CUDA 实现的聚类库\n2. 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\n\n注意：\n\n1. 聚类可用于在通过分割去除路面后从点云中提取物体。\n2. 示例将使用已去除路面的 PCD 文件（sample.pcd）。\n\n### cuNDT\n\n该包提供：\n\n1. 使用 CUDA 实现的 NDT 库\n2. 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\n3. 两个点云文件：test_P.pcd 和 test_Q.pcd，每个文件包含 7000 个点\n\n## 性能对比\n\n### cuICP\n\n||GPU|CPU-GICP|CPU-ICP|\n|---|---|----|---|\n|点云数量|7000|7000|7000|\n|最大迭代次数|20|20|20|\n|耗时(ms)|43.3|652.8|7746.0|\n|适应度分数（越低越好）|0.514|0.525|0.643|\n\n### cuFilter\n\n#### Pass Through\n\n||GPU|CPU|\n|-|-|-|\n|点云数量|11万+|11万+|\n|上下限过滤范围|(-0.5, 0.5)|(-0.5, 0.5)|\n|负值限制|false|false|\n|筛选出的点数|5110|5110|\n|耗时(ms)|0.660954|2.97487|\n\n#### VoxelGrid\n\n||GPU|CPU|\n|-|-|-|\n|点云数量|11万+|11万+|\n|体素大小|(1,1,1)|(1,1,1)|\n|筛选出的点数|3440|3440|\n|耗时(ms)|3.12895|7.26262|\n\n### cuSegmentation\n\n||GPU|CPU|\n|-|-|-|\n|分割耗时(ms)|14.9346|69.6264|\n|模型系数|{-0.00273056, 0.0425288, 0.999092, 1.75528}|{-0.00273045, 0.0425287, 0.999092, 1.75528}|\n|找到的点数|9054|9054|\n\n### cuOctree\n\n||GPU|CPU|\n|-|-|-|\n|点云数量|119978|119978|\n|上下限过滤范围|(0.0,1.0)|(0.0,1.0)|\n|负值限制|false|false|\n|筛选出的点数|16265|16265|\n|耗时(ms)|0.589752|2.82811|\n\n### cuCluster\n\n||GPU|CPU|\n|-|-|-|\n|点云数量|17万+|17万+|\n|聚类耗时(ms)|10.3122|4016.85|\n\n### cuNDT\n\n||GPU|CPU|\n|-|-|-|\n|点云数量|7000|7000|\n|耗时(ms)|34.7789|136.858|\n|适应度分数（越低越好）|0.538|0.540|\n\n## 官方博客\n\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Faccelerating-lidar-for-robotics-with-cuda-based-pcl\u002F>\n\u003Chttps:\u002F\u002Fdeveloper.nvidia.com\u002Fblog\u002Fdetecting-objects-in-point-clouds-with-cuda-pointpillars\u002F>","# cuPCL 快速上手指南\n\ncuPCL 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\u002FOrin 及 Linux x86_64 平台。\n\n## 环境准备\n\n### 系统要求\n- **硬件平台**：NVIDIA Jetson Xavier, Jetson Orin 或 Linux x86_64 PC。\n- **软件版本参考**：\n  - Jetpack 4.x \u002F 5.x (针对 Jetson 设备，请根据版本选择对应分支)\n  - CUDA 10.2+\n  - PCL 1.8+\n  - Eigen 3\n\n### 前置依赖\n在开始之前，请确保系统已安装 PCL 开发库（包含 Eigen）。\n\n**Ubuntu\u002FDebian 系统安装命令：**\n```bash\nsudo apt-get update\nsudo apt-get install libpcl-dev\n```\n> **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。\n\n## 安装步骤\n\ncuPCL 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：\n\n1. **进入子模块目录**\n   选择一个你需要的功能文件夹，例如：\n   ```bash\n   cd cuICP\n   ```\n\n2. **编译项目**\n   直接运行 make 命令进行构建：\n   ```bash\n   make\n   ```\n   编译成功后将生成可执行文件 `demo` 及对应的动态库文件。\n\n## 基本使用\n\n### 1. 性能优化（仅限 Jetson 设备）\n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：\n```bash\nsudo nvpmodel -m 0\nsudo jetson_clocks\n```\n*注：Linux x86 桌面端无需执行此步骤。*\n\n### 2. 运行示例\n使用生成的 `demo` 程序加载点云文件（`.pcd` 格式）进行测试：\n```bash\n.\u002Fdemo [*.pcd]\n```\n例如，使用模块自带的测试数据：\n```bash\n.\u002Fdemo test_P.pcd\n```\n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）。\n\n### 3. 验证库版本\n如需检查编译出的库文件版本信息，可执行：\n```bash\nstrings lib* | grep version | grep lib\n```","某自动驾驶团队正在基于 NVIDIA Jetson Orin 开发实时路面检测系统，需对激光雷达采集的数十万点云进行快速滤波、平面分割与障碍物聚类。\n\n### 没有 cuPCL 时\n- **处理延迟过高**：使用传统 CPU 版 PCL 库处理 12 万点云数据时，单次分割与聚类耗时超过 70 毫秒，难以满足车辆高速行驶下的实时性要求。\n- **算力资源浪费**：嵌入式设备上的 GPU 处于闲置状态，而 CPU 负载长期满载，导致系统整体功耗增加且发热严重。\n- **算法精度受限**：受限于计算时间，工程师被迫降低迭代次数或简化体素网格分辨率，导致路面拟合误差增大，小障碍物漏检率上升。\n- **帧率瓶颈明显**：在复杂路况下，点云预处理成为整个感知流水线的“堵点”，系统输出帧率无法稳定维持在 30FPS 以上。\n\n### 使用 cuPCL 后\n- **速度提升显著**：利用 cuSegmentation 和 cuCluster 的 CUDA 加速能力，同等数据量的处理时间从 70ms 骤降至约 15ms，端到端延迟降低 80%。\n- **硬件效能释放**：成功将滤波、分割等重计算任务迁移至 GPU，CPU 负载大幅下降，系统运行更冷静且能效比最优。\n- **精度与速度兼得**：得益于 GPU 的并行算力，可在保持高帧率的同时使用更高精度的 RANSAC 迭代参数和更细的体素粒度，路面模型拟合更精准。\n- **实时流畅运行**：点云处理流水线彻底打通，系统在 Jetson 边缘端稳定输出高频感知结果，确保车辆能及时响应突发路况。\n\ncuPCL 通过将核心点云算法 GPU 化，让边缘设备在保持高精度的同时实现了真正的实时自动驾驶感知。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNVIDIA-AI-IOT_cuPCL_8456d0e9.png","NVIDIA-AI-IOT","NVIDIA AI IOT","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNVIDIA-AI-IOT_3faae4f1.png","",null,"https:\u002F\u002Fdeveloper.nvidia.com\u002F","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT",[84,88],{"name":85,"color":86,"percentage":87},"C++","#f34b7d",70.8,{"name":89,"color":90,"percentage":91},"Makefile","#427819",29.2,683,103,"2026-03-20T11:44:37","MIT",4,"Linux","必需 NVIDIA GPU，支持 Jetson Xavier\u002FOrin 或 Linux x86_64 平台，测试环境为 CUDA 10.2","未说明 (测试环境使用 Jetson Xavier AGX 8GB)",{"notes":101,"python":102,"dependencies":103},"该项目主要面向嵌入式设备（Jetson 系列）和 Linux x86 服务器。不同 Jetpack 版本（4.x, 5.x）需切换对应分支。运行前建议执行 'sudo nvpmodel -m 0' 和 'sudo jetson_clocks' 以提升 CPU\u002FGPU 性能。构建方式为进入子文件夹后执行 'make'，无需 Python 环境。","未说明",[104,105,106],"PCL (libpcl-dev, 测试版本 1.8)","Eigen (测试版本 3)","CUDA Toolkit (测试版本 10.2)",[18],"2026-03-27T02:49:30.150509","2026-04-08T01:08:45.734411",[111,116],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},23200,"使用 cuPCL 对动态点云进行地面分割时，为什么会出现地面点闪烁或无法去除的情况？","这通常是因为点云数据尚未传输完整就开始进行分割处理。请检查雷达每次传回的点云数据是否完整，观察每次接收到的点云数量是否有明显变化。如果数据不完整就进行处理，会导致地面去除失败并产生闪烁现象。此外，确保在数据处理前正确同步 CUDA 流（如使用 cudaStreamSynchronize）。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002FcuPCL\u002Fissues\u002F37",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},23201,"运行 cuda-icp.cpp 示例时遇到 'Cuda failure: the launch timed out and was terminated' (error 702) 错误如何解决？","该错误（错误代码 702）表示 CUDA 内核执行超时并被终止。这通常发生在处理大规模点云数据（如包含 RGB 信息的 PCD 文件）时，计算时间超过了操作系统的显示驱动超时限制（TDR）。解决方法包括：1. 减少输入点云的数量以降低计算负载；2. 优化算法以减少单次内核执行时间；3. 如果是 Windows 系统，可以尝试修改注册表增加 TDR 延迟（需谨慎操作）；4. 将 GPU 专用于计算而不连接显示器。","https:\u002F\u002Fgithub.com\u002FNVIDIA-AI-IOT\u002FcuPCL\u002Fissues\u002F20",[]]