[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-PRBonn--LiDAR-MOS":3,"tool-PRBonn--LiDAR-MOS":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":110,"github_topics":112,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":162},4782,"PRBonn\u002FLiDAR-MOS","LiDAR-MOS","(LMNet) Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data (RAL\u002FIROS 2021)","LiDAR-MOS 是一款专注于 3D 激光雷达数据中动态物体分割的开源算法。它的核心能力是精准区分场景中的移动物体（如行驶的车辆、行人）与静态背景（包括路边停放的汽车），从而解决自动驾驶感知中“动”与“静”难以辨析的关键难题。\n\n通过利用连续帧的时序信息，LiDAR-MOS 采用基于深度学习的方法，不仅分割精度高，而且运行速度极快，能够超越传感器的帧率实现实时处理。这一特性使其非常适合集成到现有的激光雷达语义分割网络中，无需大幅改动原有架构，仅需调整数据输入即可生效。此外，该项目还基于 SemanticKITTI 数据集建立了全新的行业基准，推动了相关领域的评估标准化。\n\nLiDAR-MOS 主要面向自动驾驶领域的研究人员、算法工程师及机器人开发者。对于希望提升 3D 建图、SLAM（即时定位与地图构建）或里程计精度的团队来说，它是一个极具价值的工具，能有效剔除动态物体干扰，生成更纯净的静态环境地图。其代码基于 SalsaNext 等成熟框架开发，具备良好的兼容性与扩展性，便于用户快速上手并进行二次开发。","# LMNet: Moving Object Segmentation in 3D LiDAR Data\nThis repo contains the code for our paper: Moving Object Segmentation in 3D LiDAR Data:\nA Learning-based Approach Exploiting Sequential Data [PDF](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf).\n\nOur approach accurately segments the scene into moving and static objects, i.e., distinguishing between moving cars vs. parked cars. This task is also called 3D motion detection or segmentation.\nOur method runs faster than the frame rate of the sensor and can be used to improve 3D LiDAR-based odometry\u002FSLAM and mapping results as shown [below](#Applications).\n\nAdditionally, we created a new benchmark for LiDAR-based moving object segmentation based on SemanticKITTI [here](https:\u002F\u002Fcodalab.lisn.upsaclay.fr\u002Fcompetitions\u002F7088).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_829547cdbec2.png\" width=\"800\">\n\nComplete demo video can be found in YouTube [here](https:\u002F\u002Fyoutu.be\u002FNHvsYhk4dhw). LiDAR-MOS in action:\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_b46aa7e86b4c.gif\" width=\"400\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_66dc62a7b666.gif\" width=\"400\">\n\n### Table of Contents\n1. [Introduction of the repo and benchmark](#LiDAR-MOS:-Moving-Object-Segmentation-in-3D-LiDAR-Data)\n2. [Publication](#Publication)\n3. [Log](#Log)\n4. [Dependencies](#Dependencies)\n5. [How to use](#How-to-use)\n6. [Applications](#Applications)\n7. [Collection of downloads](#Collection-of-downloads)\n8. [License](#License)\n\n\n## Publication\nIf you use our code and benchmark in your academic work, please cite the corresponding [paper](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf):\n    \n    @article{chen2021ral,\n\t\ttitle={{Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data}},\n\t\tauthor={X. Chen and S. Li and B. Mersch and L. Wiesmann and J. Gall and J. Behley and C. Stachniss},\n\t\tyear={2021},\n\t\tvolume=6,\n\t\tissue=4,\n\t\tpages={6529-6536},\n\t\tjournal={IEEE Robotics and Automation Letters (RA-L)},\n\t\turl = {http:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf},\n\t\tdoi = {10.1109\u002FLRA.2021.3093567},\n\t\tissn = {2377-3766},\n\t}\n\n\n## Log\n### News 20220907\nThe old codalab server stopped the service.\n\nPlease use the new link [here](https:\u002F\u002Fcodalab.lisn.upsaclay.fr\u002Fcompetitions\u002F7088) to submit your results to the benchmark.\nYou could still find the old results [here](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F28894).\n\n### News 20220706\nOur MotionSeg3D is open-source [here](https:\u002F\u002Fgithub.com\u002Fhaomo-ai\u002FMotionSeg3D).\n\nIt uses a dual-branch and dual-head structure to fuse Spatial-Temporal information for LiDAR moving object segmentation.\n\n\n### News 20220615\nOur 4DMOS is open-source [here](https:\u002F\u002Fgithub.com\u002FPRBonn\u002F4DMOS).\n\nIt uses sparse CNN on 4D point clouds for LiDAR moving object segmentation.\n\n\n### v1.1\nThanks **Jiadai Sun** for testing and correcting some bugs of SalsaNext-MOS.\n\nMore setups can also be found here: [#47](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F47)\n\n### v1.0\nOpen-source version\n\n\n## Dependencies\nWe built and tested our work based on [SalsaNext](https:\u002F\u002Fgithub.com\u002FHalmstad-University\u002FSalsaNext), [RangeNet++](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Flidar-bonnetal) and [MINet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2008.09162v1.pdf).\nWe thank the original authors for their nice work and implementation. If you are interested in fast LiDAR-based semantic segmentation, we strongly recommend having a look at the original repositories.\n\n**Note that**, in this repo, we show that how easily we could achieve LiDAR-based moving object segmentation exploiting sequential information with existing segmentation networks.\nWe didn't change the original pipeline of the segmentation networks, but only changed the data loader and input of the network as shown in the figure below.\nTherefore, our method can be used with any range-image-based LiDAR segmentation networks.\n\nOur method is based on range images. To use range projection with fast c++ library, please find the usage doc [here](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Foverlap_localization\u002Ftree\u002Fmaster\u002Fsrc\u002Fprepare_training).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_97ff226cac17.png\" width=\"600\">\n\n\n## How to use\nFor a quick test of all the steps below, one could download a toy dataset [here](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002FLiDAR_MOS_toy_dataset.zip) and decompress it in the `data\\` folder following the data structure [data\u002FREADME.md](data\u002FREADME.md).\n\n### Prepare training data\nTo use our method, one needs to generate the residual images. Here is a quick demo:\n```sh\n  $ python3 utils\u002Fgen_residual_images.py\n```\nMore setup about the data preparation can be found in the yaml file [config\u002Fdata_preparing.yaml](config\u002Fdata_preparing.yaml).\nTo prepare the training data for the whole KITTI-Odometry dataset, please download the [original website](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php). \n\n### Using SalsaNext as the baseline\nTo use SalsaNext as the baseline segmentation network for LiDAR-MOS, one should follow the [mos_SalsaNext\u002FREADME.md](mos_SalsaNext\u002FREADME.md) to set it up.\n\nNote that, we use pytorch v1.5.1+cu101 which is different from the original one. More information about the related issue is [here](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F24).\n\n#### Inferring\nTo generate the LiDAR-MOS predictions with pretrained model with one residual image ([download](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_1.zip), please `unzip` before using). Quick test on toy dataset, directly run\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d ..\u002F..\u002F..\u002F..\u002Fdata -m ..\u002F..\u002F..\u002F..\u002Fdata\u002Fmodel_salsanext_residual_1 -l ..\u002F..\u002F..\u002F..\u002Fdata\u002Fpredictions_salsanext_residual_1_new -s valid\n```\n\nInferring the whole dataset, please download the KITTI-Odometry dataset from the [original website](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php), and change the corresponding paths.\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d path\u002Fto\u002Fkitti\u002Fdataset -m path\u002Fto\u002Fpretrained_model -l path\u002Fto\u002Flog -s train\u002Fvalid\u002Ftest # depending of desired split to evaluate\n```\n\n#### Training\nTo train a LiDAR-MOS network with SalsaNext from scratch, one has to download the [KITTI-Odometry dataset](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) and [Semantic-Kitti dataset](http:\u002F\u002Fsemantic-kitti.org\u002F):\nChange the corresponding paths and run:\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ .\u002Ftrain.sh -d path\u002Fto\u002Fkitti\u002Fdataset -a salsanext_mos.yml -l path\u002Fto\u002Flog -c 0  # the number of used gpu cores\n```\n\n### Using RangeNet++ as the baseline \nTo use RangeNet++ as the baseline segmentation network for LiDAR-MOS, one should follow the [mos_RangeNet\u002FREADME.md](mos_RangeNet\u002FREADME.md) to set it up.\n\n#### Inferring\nInferring the whole dataset, please download the KITTI-Odometry dataset from the [original website](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php), the [pretrained model](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_rangenet_residual_1.zip) and change the corresponding paths.\n```sh\n  $ cd mos_RangeNet\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d path\u002Fto\u002Fkitti\u002Fdataset -m path\u002Fto\u002Fpretrained_model -l path\u002Fto\u002Flog -s train\u002Fvalid\u002Ftest # depending of desired split to evaluate\n```\n\n#### Training\nTo train a LiDAR-MOS network with RangeNet++ from scratch, one has to download the [KITTI-Odometry dataset](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) and [Semantic-Kitti dataset](http:\u002F\u002Fsemantic-kitti.org\u002F) and\nchange the corresponding paths and run:\n```sh\n  $ cd mos_RangeNet\u002Ftasks\u002Fsemantic\n  $ python3 train.py -d path\u002Fto\u002Fkitti\u002Fdataset -ac rangenet_mos.yaml -l path\u002Fto\u002Flog\n```\n\nMore pretrained model and LiDAR-MOS predictions can be found in [collection of downloads](#Collection-of-downloads).\n\n### Evaluation and visualization\n#### How to evaluate\n**Evaluation metrics**. Let's call the **moving (dynamic)** status as **D** and the **static** status as **S**.\n\nSince we ignore the unlabelled and invalid status, therefore in MOD there are only two classes.\n\n| GT\\Prediction | dynamic | static |\n| --------      | ------- | ------ |\n| dynamic       | TD      |   FS   |\n| static        | FD      |   TS   |\n\n- $$ IoU_{MOS} = \\frac{TD}{TD+FD+FS} $$\n\nTo evaluate the MOS results on the toy dataset just run:\n```sh\n  $ python3 utils\u002Fevaluate_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s valid\n```\n\nTo evaluate the MOS results on our **LiDAR-MOS benchmark** please have a look at our [semantic-kitti-api](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Fsemantic-kitti-api) and benchmark [website](https:\u002F\u002Fbit.ly\u002Fmos-benchmark).\n\n#### How to visualize the predictions\nTo visualize the MOS results on the toy dataset just run:\n```sh\n  $ python3 utils\u002Fvisualize_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s 8  # here we use a specific sequence number\n```\nwhere:\n - `sequence` is the sequence to be accessed.\n - `dataset` is the path to the kitti dataset where the sequences directory is.\n\nNavigation:\n - `n` is next scan,\n - `b` is previous scan,\n - `esc` or `q` exits.\n\n\n## Applications\nLiDAR-MOS is very important for building consistent maps, making future state predictions, avoiding collisions, and planning.\nIt can also improve and robustify pose estimation, sensor data registration, and SLAM.\nHere we show two obvious applications of our LiDAR-MOS which are LiDAR-based odometry\u002FSLAM as well as 3D mapping.\nBefore that, we show two simple examples of how to combine our method with semantics and clean the scans.\nAfter cleaning scans we can get better odometry\u002FSLAM and 3D mapping results.\n\n**Note that**, here we show two direct use cases of our MOS approach without any further optimizations employed.\n\n\n### Enhanced with semantics\nTo show a simple way of combining our LiDAR-MOS with semantics, we provide a quick demo with the toy dataset:\n```sh\n  $ python3 utils\u002Fcombine_semantics.py\n```\nIt just simply checks whether the moving objects are movable classes or not. If not, re-assigned as static.\n\n\n### Clean the scans\nTo clean the LiDAR scans with our LiDAR-MOS as masks, we also provide a quick demo on the toy dataset:\n```sh\n  $ python3 utils\u002Fscan_cleaner.py\n```\n\n### Odometry\u002FSLAM\nUsing the cleaned LiDAR scans, we see that by simply applying our MOS predictions as a preprocessing mask, the odometry results are improved in both\nthe KITTI training and test data and even slightly better than the carefully-designed full classes semantic-enhanced SuMa++.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_cc92312ca06f.png\" width=\"400\">\n\nThe testing results of our methods can also be found in [KITTI-Odometry benchmark](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php).\n\n### Mapping\nwe compare the aggregated point cloud maps (left) directly with the raw LiDAR\nscans, (right) with the cleaned LiDAR scans by applying our MOS predictions as masks.\nAs can be seen, there are moving objects present that pollute the map, which might have adversarial effects, when used for localization or path\nplanning. By using our MOS predictions as masks, we can effectively remove these artifacts and get a clean map. \n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_57c418ab13f7.png\" width=\"400\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_9494e5a4a38e.png\" width=\"400\">\n\n#### Map cleaning\nFor offline map cleaning, **Giseop Kim** combined his [Removert](https:\u002F\u002Fgithub.com\u002Firapkaist\u002Fremovert) and LiDAR-MOS, and got very good results.\nMore information can be found in [#28](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F28).\n\n\n## Collection of downloads\n - [LiDAR_MOS_toy_dataset](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002FLiDAR_MOS_toy_dataset.zip)                           (toy dataset used for the quick demos)\n - [predictions_salsanext_semantic](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fpredictions_salsanext_semantic.zip)        (semantic segmentation results from SalsaNext for all sequences 00 - 21) \n - [predictions_salsanext_residual_8_sem](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fpredictions_salsanext_residual_8_sem.zip)  (**Our best!** LiDAR-MOS results using SalsaNext with 8 residual images + semantics) \n - [model_rangenet_residual_1](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_rangenet_residual_1.zip)             (pretrained model using RangeNet++ with 1 residual image) \n - [model_salsanext_residual_1](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_1.zip)            (pretrained model using SalsaNext with 1 residual image)\n - [model_salsanext_residual_8](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_8.zip)            (pretrained model using SalsaNext with 8 residual image)\n \n\n## License\nThis project is free software made available under the MIT License. For details see the LICENSE file.\n","# LMNet：3D LiDAR 数据中的运动目标分割\n本仓库包含我们论文《3D LiDAR 数据中的运动目标分割：一种利用序列数据的基于学习的方法》[PDF](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf) 的代码。\n\n我们的方法能够准确地将场景分割为运动对象和静止对象，即区分行驶中的车辆与停放的车辆。这项任务也被称为 3D 运动检测或分割。\n我们的方法运行速度超过传感器的帧率，可用于改善基于 3D LiDAR 的里程计\u002FSLAM 和建图结果，如 [下方](#Applications) 所示。\n\n此外，我们基于 SemanticKITTI 创建了一个新的 LiDAR 运动目标分割基准测试 [这里](https:\u002F\u002Fcodalab.lisn.upsaclay.fr\u002Fcompetitions\u002F7088)。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_829547cdbec2.png\" width=\"800\">\n\n完整的演示视频可在 YouTube 上 [这里](https:\u002F\u002Fyoutu.be\u002FNHvsYhk4dhw) 观看。LiDAR-MOS 实际应用效果：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_b46aa7e86b4c.gif\" width=\"400\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_66dc62a7b666.gif\" width=\"400\">\n\n### 目录\n1. [仓库与基准介绍](#LiDAR-MOS:-Moving-Object-Segmentation-in-3D-LiDAR-Data)\n2. [发表论文](#Publication)\n3. [日志](#Log)\n4. [依赖项](#Dependencies)\n5. [使用方法](#How-to-use)\n6. [应用](#Applications)\n7. [下载集合](#Collection-of-downloads)\n8. [许可证](#License)\n\n\n## 发表论文\n如果您在学术工作中使用了我们的代码和基准测试，请引用相应的 [论文](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf)：\n    \n    @article{chen2021ral,\n\t\ttitle={{3D LiDAR 数据中的运动目标分割：一种利用序列数据的基于学习的方法}},\n\t\tauthor={X. Chen and S. Li and B. Mersch and L. Wiesmann and J. Gall and J. Behley and C. Stachniss},\n\t\tyear={2021},\n\t\tvolume=6,\n\t\tissue=4,\n\t\tpages={6529-6536},\n\t\tjournal={IEEE Robotics and Automation Letters (RA-L)},\n\t\turl = {http:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fpdfs\u002Fchen2021ral-iros.pdf},\n\t\tdoi = {10.1109\u002FLRA.2021.3093567},\n\t\tissn = {2377-3766},\n\t}\n\n\n## 日志\n### 新闻 20220907\n旧的 Codalab 服务器已停止服务。\n\n请使用新链接 [这里](https:\u002F\u002Fcodalab.lisn.upsaclay.fr\u002Fcompetitions\u002F7088) 提交您的结果到基准测试。\n您仍然可以在 [这里](https:\u002F\u002Fcompetitions.codalab.org\u002Fcompetitions\u002F28894) 查找旧的结果。\n\n### 新闻 20220706\n我们的 MotionSeg3D 已开源 [这里](https:\u002F\u002Fgithub.com\u002Fhaomo-ai\u002FMotionSeg3D)。\n\n它采用双分支双头结构，融合时空信息进行 LiDAR 运动目标分割。\n\n\n### 新闻 20220615\n我们的 4DMOS 已开源 [这里](https:\u002F\u002Fgithub.com\u002FPRBonn\u002F4DMOS)。\n\n它利用稀疏 CNN 处理 4D 点云，用于 LiDAR 运动目标分割。\n\n\n### v1.1\n感谢 **Jiadai Sun** 对 SalsaNext-MOS 的测试及部分 bug 的修复。\n\n更多设置也可参见 [#47](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F47)。\n\n### v1.0\n开源版本\n\n\n## 参考依赖\n我们基于 [SalsaNext](https:\u002F\u002Fgithub.com\u002FHalmstad-University\u002FSalsaNext)、[RangeNet++](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Flidar-bonnetal) 和 [MINet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2008.09162v1.pdf) 构建并测试了我们的工作。\n我们感谢原作者们的优秀工作和实现。如果您对快速的 LiDAR 语义分割感兴趣，强烈建议您查看这些原始仓库。\n\n**请注意**，在本仓库中，我们展示了如何利用现有分割网络轻松实现基于序列信息的 LiDAR 运动目标分割。\n我们并未修改原始分割网络的流程，仅按照下图所示更改了数据加载器和网络输入。\n因此，我们的方法可以与任何基于范围图像的 LiDAR 分割网络配合使用。\n\n我们的方法基于范围图像。若要使用快速 C++ 库进行范围投影，请参阅使用说明 [这里](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Foverlap_localization\u002Ftree\u002Fmaster\u002Fsrc\u002Fprepare_training)。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_97ff226cac17.png\" width=\"600\">\n\n\n## 使用方法\n为了快速测试以下所有步骤，您可以下载一个玩具数据集 [这里](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002FLiDAR_MOS_toy_dataset.zip)，并按照数据结构 [data\u002FREADME.md](data\u002FREADME.md) 解压到 `data\\` 文件夹中。\n\n### 准备训练数据\n要使用我们的方法，需要生成残差图像。以下是快速演示：\n```sh\n  $ python3 utils\u002Fgen_residual_images.py\n```\n有关数据准备的更多设置可在 yaml 文件 [config\u002Fdata_preparing.yaml](config\u002Fdata_preparing.yaml) 中找到。\n要准备整个 KITTI 驾驶数据集的训练数据，请从 [官方网站](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 下载。\n\n### 使用 SalsaNext 作为基线\n要将 SalsaNext 用作 LiDAR-MOS 的基线分割网络，应按照 [mos_SalsaNext\u002FREADME.md](mos_SalsaNext\u002FREADME.md) 进行设置。\n\n请注意，我们使用的是 pytorch v1.5.1+cu101，这与原始版本有所不同。相关问题的更多信息可参见 [这里](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F24)。\n\n#### 推理\n要使用预训练模型生成 LiDAR-MOS 预测结果（需先解压 [下载](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_1.zip)），可在玩具数据集上进行快速测试：\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d ..\u002F..\u002F..\u002F..\u002Fdata -m ..\u002F..\u002F..\u002F..\u002Fdata\u002Fmodel_salsanext_residual_1 -l ..\u002F..\u002F..\u002F..\u002Fdata\u002Fpredictions_salsanext_residual_1_new -s valid\n```\n\n若要对整个数据集进行推理，请从 [官方网站](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 下载 KITTI 驾驶数据集，并相应地更改路径：\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d path\u002Fto\u002Fkitti\u002Fdataset -m path\u002Fto\u002Fpretrained_model -l path\u002Fto\u002Flog -s train\u002Fvalid\u002Ftest # 根据所需评估的划分而定\n```\n\n#### 训练\n要从头开始训练一个基于 SalsaNext 的 LiDAR-MOS 网络，必须下载 [KITTI 驾驶数据集](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 和 [Semantic-Kitti 数据集](http:\u002F\u002Fsemantic-kitti.org\u002F)：\n更改相应路径后运行：\n```sh\n  $ cd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\n  $ .\u002Ftrain.sh -d path\u002Fto\u002Fkitti\u002Fdataset -a salsanext_mos.yml -l path\u002Fto\u002Flog -c 0  # 使用的 GPU 核心数\n```\n\n### 使用 RangeNet++ 作为基线\n要将 RangeNet++ 用作 LiDAR-MOS 的基准分割网络，应按照 [mos_RangeNet\u002FREADME.md](mos_RangeNet\u002FREADME.md) 中的说明进行设置。\n\n#### 推理\n要对整个数据集进行推理，请从 [官方网站](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 下载 KITTI-里程计数据集和 [预训练模型](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_rangenet_residual_1.zip)，并修改相应的路径。\n```sh\n  $ cd mos_RangeNet\u002Ftasks\u002Fsemantic\n  $ python3 infer.py -d 数据集路径 -m 模型路径 -l 日志路径 -s train\u002Fvalid\u002Ftest # 根据需要评估的划分选择\n```\n\n#### 训练\n要从头开始使用 RangeNet++ 训练 LiDAR-MOS 网络，必须下载 [KITTI-里程计数据集](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 和 [Semantic-Kitti 数据集](http:\u002F\u002Fsemantic-kitti.org\u002F)，并修改相应的路径后运行：\n```sh\n  $ cd mos_RangeNet\u002Ftasks\u002Fsemantic\n  $ python3 train.py -d 数据集路径 -ac rangenet_mos.yaml -l 日志路径\n```\n\n更多预训练模型和 LiDAR-MOS 预测结果可在 [下载集合](#Collection-of-downloads) 中找到。\n\n### 评估与可视化\n#### 如何评估\n**评估指标**。我们称 **移动（动态）** 状态为 **D**，**静态** 状态为 **S**。\n\n由于我们忽略了未标记和无效状态，因此在 MOD 中只有两类。\n\n| GT\\预测 | 动态 | 静态 |\n| --------      | ------- | ------ |\n| 动态       | TD      |   FS   |\n| 静态        | FD      |   TS   |\n\n- $$ IoU_{MOS} = \\frac{TD}{TD+FD+FS} $$\n\n要在玩具数据集中评估 MOS 结果，只需运行：\n```sh\n  $ python3 utils\u002Fevaluate_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s valid\n```\n\n要在我们的 **LiDAR-MOS 基准测试** 上评估 MOS 结果，请查看我们的 [semantic-kitti-api](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Fsemantic-kitti-api) 和基准测试 [网站](https:\u002F\u002Fbit.ly\u002Fmos-benchmark)。\n\n#### 如何可视化预测结果\n要在玩具数据集中可视化 MOS 结果，只需运行：\n```sh\n  $ python3 utils\u002Fvisualize_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s 8  # 这里我们使用特定的序列号\n```\n其中：\n - `sequence` 是要访问的序列。\n - `dataset` 是 KITTI 数据集的路径，其中包含序列目录。\n\n导航：\n - `n` 是下一帧扫描，\n - `b` 是上一帧扫描，\n - `esc` 或 `q` 退出。\n\n## 应用\nLiDAR-MOS 对构建一致的地图、进行未来状态预测、避免碰撞以及规划路径非常重要。它还可以改进和增强位姿估计、传感器数据配准和 SLAM。这里我们展示了 LiDAR-MOS 的两个明显应用：基于 LiDAR 的里程计\u002FSLAM 以及 3D 建图。在此之前，我们还展示了两个简单的示例，说明如何将我们的方法与语义结合，并清理扫描数据。清理扫描数据后，我们可以获得更好的里程计\u002FSLAM 和 3D 建图结果。\n\n**请注意**，这里我们展示了两种直接使用 MOS 方法的案例，未采用任何进一步优化。\n\n### 与语义结合\n为了展示一种简单的方式，将我们的 LiDAR-MOS 与语义结合，我们提供了一个使用玩具数据集的快速演示：\n```sh\n  $ python3 utils\u002Fcombine_semantics.py\n```\n它只是简单地检查移动物体是否属于可移动类别。如果不是，则重新归类为静态。\n\n### 清理扫描数据\n为了使用我们的 LiDAR-MOS 作为掩码来清理 LiDAR 扫描数据，我们也提供了一个在玩具数据集上的快速演示：\n```sh\n  $ python3 utils\u002Fscan_cleaner.py\n```\n\n### 里程计\u002FSLAM\n使用清理后的 LiDAR 扫描数据，我们发现只需将我们的 MOS 预测结果作为预处理掩码，里程计结果在 KITTI 的训练和测试数据中都有所提升，甚至略好于精心设计的全类别语义增强版 SuMa++。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_cc92312ca06f.png\" width=\"400\">\n\n我们方法的测试结果也可以在 [KITTI-里程计基准测试](https:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002Feval_odometry.php) 中找到。\n\n### 建图\n我们将聚合点云地图（左）直接与原始 LiDAR 扫描数据（右）进行比较，并将清理后的 LiDAR 扫描数据与应用了我们的 MOS 预测结果作为掩码的扫描数据进行对比。可以看出，地图中存在移动物体，这些物体会污染地图，在用于定位或路径规划时可能会产生不利影响。通过使用我们的 MOS 预测结果作为掩码，我们可以有效地去除这些干扰因素，得到一张干净的地图。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_57c418ab13f7.png\" width=\"400\"> \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_readme_9494e5a4a38e.png\" width=\"400\">\n\n#### 地图清理\n对于离线地图清理，**Giseop Kim** 将他的 [Removert](https:\u002F\u002Fgithub.com\u002Firapkaist\u002Fremovert) 和 LiDAR-MOS 结合，取得了非常好的效果。更多信息请参见 [#28](https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F28)。\n\n## 下载集合\n - [LiDAR_MOS_toy_dataset](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002FLiDAR_MOS_toy_dataset.zip)                           （用于快速演示的玩具数据集）\n - [predictions_salsanext_semantic](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fpredictions_salsanext_semantic.zip)        （SalsaNext 在所有序列 00-21 上的语义分割结果）\n - [predictions_salsanext_residual_8_sem](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fpredictions_salsanext_residual_8_sem.zip)  （**我们的最佳！** 使用 SalsaNext 结合 8 张残差图像及语义的 LiDAR-MOS 结果）\n - [model_rangenet_residual_1](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_rangenet_residual_1.zip)             （使用 RangeNet++ 并结合 1 张残差图像的预训练模型）\n - [model_salsanext_residual_1](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_1.zip)            （使用 SalsaNext 并结合 1 张残差图像的预训练模型）\n - [model_salsanext_residual_8](https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002Fmodel_salsanext_residual_8.zip)            （使用 SalsaNext 并结合 8 张残差图像的预训练模型）\n\n## 许可证\n本项目是根据 MIT 许可证提供的免费软件。详细信息请参阅 LICENSE 文件。","# LiDAR-MOS 快速上手指南\n\nLiDAR-MOS 是一个基于深度学习的 3D LiDAR 动态物体分割工具，能够准确区分场景中的移动物体（如行驶的车辆）和静态物体（如停放的车辆或建筑）。该工具运行速度快于传感器帧率，可直接用于提升激光雷达里程计、SLAM 及建图效果。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 18.04\u002F20.04)\n- **Python**: Python 3.x\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡\n\n### 前置依赖\n本项目基于 **SalsaNext**、**RangeNet++** 和 **MINet** 构建。核心依赖为 PyTorch。\n- **PyTorch 版本**: 推荐使用 `v1.5.1+cu101` (与原版 SalsaNext 略有不同，详见官方 Issue #24)。\n- **其他库**: 需安装常规深度学习及数据处理库（如 numpy, yaml, opencv-python 等），通常可通过 `pip install -r requirements.txt` 安装（若项目根目录存在该文件）。\n\n> **注意**：本方法基于距离图像（Range Images）。若需使用快速的 C++ 库进行距离投影预处理，可参考 [overlap_localization](https:\u002F\u002Fgithub.com\u002FPRBonn\u002Foverlap_localization\u002Ftree\u002Fmaster\u002Fsrc\u002Fprepare_training) 相关文档。\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS.git\n   cd LiDAR-MOS\n   ```\n\n2. **准备测试数据（可选但推荐）**\n   为了快速验证流程，建议下载官方提供的玩具数据集（Toy Dataset）并解压至 `data\u002F` 文件夹。\n   ```bash\n   # 下载玩具数据集\n   wget https:\u002F\u002Fwww.ipb.uni-bonn.de\u002Fhtml\u002Fprojects\u002FLiDAR-MOS\u002FLiDAR_MOS_toy_dataset.zip\n   \n   # 解压到 data 目录（请确保目录结构符合 data\u002FREADME.md 描述）\n   unzip LiDAR_MOS_toy_dataset.zip -d data\u002F\n   ```\n\n3. **配置基线网络 (以 SalsaNext 为例)**\n   若使用 SalsaNext 作为基线，需进入对应子目录并按其 `README.md` 完成环境配置。\n   ```bash\n   cd mos_SalsaNext\n   # 此处需根据 mos_SalsaNext\u002FREADME.md 安装特定依赖\n   ```\n\n## 基本使用\n\n以下演示如何使用预训练模型在玩具数据集上进行推理、评估和可视化。\n\n### 1. 生成残差图像 (数据预处理)\n在使用网络前，需要生成残差图像以利用序列信息。\n```bash\npython3 utils\u002Fgen_residual_images.py\n```\n*注：完整 KITTI-Odometry 数据集的数据准备配置可在 `config\u002Fdata_preparing.yaml` 中调整。*\n\n### 2. 模型推理 (Inference)\n使用预训练模型对数据进行动态\u002F静态分割预测。\n```bash\ncd mos_SalsaNext\u002Ftrain\u002Ftasks\u002Fsemantic\npython3 infer.py -d ..\u002F..\u002F..\u002F..\u002Fdata -m ..\u002F..\u002F..\u002F..\u002Fdata\u002Fmodel_salsanext_residual_1 -l ..\u002F..\u002F..\u002F..\u002Fdata\u002Fpredictions_salsanext_residual_1_new -s valid\n```\n- `-d`: 数据集路径\n- `-m`: 预训练模型路径 (需先解压下载的模型包)\n- `-l`: 输出预测结果的路径\n- `-s`: 评估的数据集划分 (valid\u002Ftest\u002Ftrain)\n\n### 3. 结果评估 (Evaluation)\n计算移动物体分割 (MOS) 的 IoU 指标。\n```bash\npython3 utils\u002Fevaluate_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s valid\n```\n\n### 4. 结果可视化 (Visualization)\n查看分割结果的动态演示。\n```bash\npython3 utils\u002Fvisualize_mos.py -d data -p data\u002Fpredictions_salsanext_residual_1_valid -s 8\n```\n**操作说明**:\n- `n`: 下一帧\n- `b`: 上一帧\n- `esc` 或 `q`: 退出\n\n### 5. 进阶应用：清理点云地图\n利用 MOS 预测结果作为掩码，移除点云中的动态鬼影，生成干净的静态地图。\n```bash\npython3 utils\u002Fscan_cleaner.py\n```\n清理后的点云可直接用于提升 SLAM 和建图精度。","某自动驾驶团队正在开发城市复杂路况下的高精度建图系统，需要处理包含大量行驶车辆和行人的动态点云数据。\n\n### 没有 LiDAR-MOS 时\n- **建图重影严重**：传统 SLAM 算法无法区分静止与移动物体，将行驶中的车辆误认为静态特征，导致生成的地图中出现“鬼影”或双重轮廓。\n- **定位漂移频繁**：动态物体（如路过的大巴）被错误匹配为路标，干扰里程计计算，致使车辆在高速场景下定位突然跳变。\n- **感知逻辑混乱**：下游规划模块难以分辨路边停靠车辆与正常行驶车辆，不得不依赖复杂的启发式规则进行二次过滤，增加开发负担。\n- **实时性瓶颈**：原有的多帧差分法计算量大且噪声敏感，难以在车载嵌入式平台上满足传感器帧率的实时处理要求。\n\n### 使用 LiDAR-MOS 后\n- **地图纯净清晰**：LiDAR-MOS 利用序列数据精准分割动态目标，自动剔除移动车辆点云，仅保留静态背景用于建图，彻底消除重影。\n- **定位稳健可靠**：通过预先分离动静态物体，SLAM 系统仅基于静态特征进行配准，显著提升了在车流密集区的定位精度与稳定性。\n- **语义理解升级**：直接输出像素级的动静态标签，系统能天然区分“违停车辆”与“正常通行车辆”，简化了行为预测模块的逻辑。\n- **高效实时运行**：该工具基于范围图像（Range Image）优化，推理速度快于激光雷达采样频率，轻松在实车端实现低延迟部署。\n\nLiDAR-MOS 通过深度学习时序信息，从根本上解决了动态场景下的点云语义分割难题，是构建高鲁棒性自动驾驶感知与建图系统的关键组件。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FPRBonn_LiDAR-MOS_b46aa7e8.gif","PRBonn","Photogrammetry & Robotics Bonn","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FPRBonn_b44b4fdb.png","Photogrammetry & Robotics Lab at the University of Bonn",null,"cyrill.stachniss@igg.uni-bonn.de","www.ipb.uni-bonn.de","https:\u002F\u002Fgithub.com\u002FPRBonn",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99,{"name":86,"color":87,"percentage":88},"GLSL","#5686a5",0.7,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.4,679,110,"2026-04-03T07:02:58","MIT",4,"Linux","需要 NVIDIA GPU (基于 CUDA)，具体型号未说明，需支持 PyTorch CUDA 加速","未说明",{"notes":102,"python":103,"dependencies":104},"该项目基于 SalsaNext 和 RangeNet++ 构建，官方测试环境为 PyTorch v1.5.1 搭配 CUDA 10.1。需要使用 C++ 库进行快速的距离图像（range image）投影。训练和推理主要基于 KITTI-Odometry 和 Semantic-KITTI 数据集。","3.x (文中示例使用 python3)",[105,106,107,108,109],"PyTorch (v1.5.1+cu101)","SalsaNext","RangeNet++","MINet","C++ (用于快速范围投影库)",[14,15,111],"视频",[113,114,115,116,117,118,119,120,121,122,123],"lidar","point-cloud","segmentation","slam","mapping","deep-learning","deep-neural-networks","moving-object-segmentation","lidar-slam","dynamic-slam","motion-detection","2026-03-27T02:49:30.150509","2026-04-07T10:51:35.811327",[127,132,137,142,147,152,157],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},21719,"如何使用自己的数据集（如 .bag 或 .pcd 文件）运行 LiDAR-MOS？","要使用自己的数据集，需要将数据转换为项目支持的格式。如果您没有标签文件，无法直接使用预训练模型进行推理。解决方案有两种：1. 尝试直接使用预训练模型看是否有效（取决于数据与 KITTI 的相似度）；2. 使用提供的点云标注工具（https:\u002F\u002Fgithub.com\u002Fjbehley\u002Fpoint_labeler）标注部分数据，然后对模型进行微调以适应特定环境。此外，也可以参考其他开源项目如 MotionSeg3D 或 4DMOS。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F52",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},21720,"运行可视化脚本时程序卡住或报错（tkinter\u002Fvispy 问题）如何解决？","可视化问题通常由图形后端依赖缺失或版本不兼容引起。常见解决方案包括：1. 安装 pyqt5（命令：`pip install pyqt5`），许多用户反馈这解决了 tkinter 相关的问题；2. 升级 vispy 库到 0.6.3 或更高版本（例如 0.9.7），低版本（如 0.5+）可能导致报错；3. 确保安装了 tkinter 模块。如果仍然无效，建议检查系统图形库配置。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F23",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},21721,"训练时出现 'IndexError: index -2147483648 is out of bounds' 或 'invalid value encountered in true_divide' 错误怎么办？","该错误通常发生在生成残差图像或数据投影阶段，原因可能是输入扫描帧数配置与生成的残差图像数量不匹配。解决方法：如果需要使用的残差图像数量（例如 8 张）与默认配置不同，请修改 `data_preparing.yaml` 文件中的 `num_last_n` 参数，并重新执行 `gen_residual_images.py` 脚本来生成正确的残差图像数据。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F49",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},21722,"加载 semanticPOSS 数据集时报错找不到 poses 文件是什么原因？","这是因为数据集中某些序列（sequence）文件夹内缺少 `poses.txt` 文件，或者路径配置错误。请检查每个序列文件夹（如 sequence00 到 sequence10）下是否都存在 `poses.txt` 文件。有时用户可能误将其他序列的 poses 文件放入了错误的文件夹中，需确保文件路径与序列号对应一致。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F29",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},21723,"如果没有标签文件，能否直接用该程序去除动态物体？","如果仅使用预训练模型进行推理（测试），理论上不需要标签文件，但效果取决于您的数据与训练数据（KITTI）的相似程度。作者建议可以先尝试直接运行看效果。如果效果不佳且您希望在自己的环境中获得更好结果，需要使用标注工具（如 point_labeler）标注少量数据并对模型进行微调（fine-tune）。目前作者团队计划发布包含 IMU 和 GNSS 数据的新数据集。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F14",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},21724,"当设置 n_input_scans=2 时，输入张量的维度（channels）是多少？","输入维度取决于配置的扫描帧数和特征通道。通常单帧包含 x, y, z, intensity (r), elongation (e) 等特征。如果 `n_input_scans=2`，则输入通道数会相应增加以包含当前帧和前一帧的特征以及计算出的残差特征。具体维度需查看代码中数据预处理部分的定义，通常结构为 [x, y, z, r, e, residual_features...]。若需生成更多残差图像（如论文中的 8 张），需调整配置文件并重新生成数据。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F41",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},21725,"SalsaNext 或 4DMOS 在我的数据上效果不好，有什么替代方案或建议？","如果现成的 4DMOS 或 SalsaNext 在您的数据上表现不佳，建议考虑以下方向：1. 如果是离线场景，推荐使用离线地图清理方法，如 \"Removert\"；2. 如果是在线场景，可以尝试 \"RF-LIO\" 等其他在线方法；3. 参考最新的学术论文，如 LiMoSeg, Semantics-Guided MOS, RVMOS 等，这些方法可能在特定场景下表现更好；4. 作者团队正在开发新的 MOS 方法，未来可能会发布。","https:\u002F\u002Fgithub.com\u002FPRBonn\u002FLiDAR-MOS\u002Fissues\u002F68",[163,168],{"id":164,"version":165,"summary_zh":166,"released_at":167},127742,"v1.1","感谢 **Jiadai Sun** 对 SalsaNext-MOS 的测试及部分 bug 的修复。","2021-09-06T08:27:27",{"id":169,"version":170,"summary_zh":171,"released_at":172},127743,"v1.0","第一个开源版本","2021-09-06T07:53:05"]