首页
学习
活动
专区
圈层
工具
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

无法对齐2D激光雷达点云以匹配HTC Vive控制器的坐标系

可能是由于以下原因导致的:

  1. 坐标系不匹配:2D激光雷达和HTC Vive控制器使用不同的坐标系,导致无法对齐。在解决这个问题之前,需要了解两者的坐标系定义和转换方法。
  2. 数据处理问题:可能存在数据处理的问题,例如数据格式不匹配、数据精度不够等。在处理2D激光雷达点云数据时,需要确保数据的准确性和完整性。
  3. 姿态估计问题:HTC Vive控制器的姿态估计可能存在误差,导致无法准确匹配2D激光雷达点云的坐标系。可以尝试使用更精确的姿态估计算法或者进行校准来解决这个问题。

解决这个问题的方法可以包括以下步骤:

  1. 确定坐标系:了解2D激光雷达和HTC Vive控制器的坐标系定义,并进行坐标系转换,使得两者的坐标系能够对齐。
  2. 数据预处理:对2D激光雷达点云数据进行预处理,确保数据的格式和精度与HTC Vive控制器匹配。可以使用相关的数据处理工具或算法进行数据清洗和校准。
  3. 姿态估计和校准:对HTC Vive控制器的姿态估计进行优化和校准,以提高其准确性。可以使用传感器融合算法或者其他姿态估计方法来改善姿态估计的精度。
  4. 系统集成和测试:将以上步骤进行集成,并进行系统测试,验证2D激光雷达点云和HTC Vive控制器的坐标系是否能够准确对齐。

腾讯云相关产品和产品介绍链接地址:

腾讯云提供了一系列与云计算相关的产品和服务,包括云服务器、云数据库、云存储等。以下是一些相关产品和链接地址供参考:

  1. 云服务器(ECS):提供弹性计算能力,支持多种操作系统和应用场景。详情请参考:https://cloud.tencent.com/product/cvm
  2. 云数据库(CDB):提供高可用、可扩展的数据库服务,支持多种数据库引擎。详情请参考:https://cloud.tencent.com/product/cdb
  3. 云存储(COS):提供安全可靠的对象存储服务,适用于存储和处理各种类型的数据。详情请参考:https://cloud.tencent.com/product/cos

请注意,以上链接仅供参考,具体产品选择应根据实际需求进行评估和决策。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

激光里程计

里程计,作为激光雷达导航、定位与地图构建的核心基石,通过连续追踪与匹配激光点云数据,精准估算车辆的运动轨迹。...这一过程不仅深刻体现了机器人学领域的智慧结晶,更与测绘学中的点云拼接技术遥相呼应,尽管两者目标各异——前者旨在通过跨时空的点云对齐,揭示车辆姿态的微妙变迁;后者则聚焦于构建统一坐标系下的点云图景。...以特定时间窗内的运动求解为例,通过对比不同时刻同一路标在雷达坐标系下的位置变迁,反推雷达乃至车辆的移动轨迹,这一过程巧妙融合了空间旋转与平移的几何变换,最终汇聚成车辆运动轨迹的连续画卷。...这一过程循环往复,直至覆盖整个行驶周期,结合激光雷达的外部参数校准,最终绘制出车辆在真实智能驾驶场景下的精确轨迹图。在智能驾驶的广阔舞台上,点云扫描匹配技术已绽放出多样风采。...依据不同的匹配策略与算法设计,该技术可细分为四大流派:原始点云直接配准、特征点引导的扫描匹配、基于点云分布特性的匹配方法,以及前沿的深度学习驱动方案。

9610

NV-LIO:一种基于法向量的激光雷达-惯性系统(LIO)

我们的方法从激光雷达扫描中提取法向量,并利用它们进行对应搜索以提高点云配准性能。为了确保配准的鲁棒性,分析了法向量方向的分布,并检查了退化的情况以调整匹配不确定性。...在狭窄的空间中,激光雷达扫描通常会在近距离产生密集的点云。然而,当使用固定参数进行下采样时,用于匹配的点的数量减少,可能导致对齐过程中的不准确或不匹配 [2],[3]。...在基于特征的算法中,LOAM [6] 利用点头运动的2D激光雷达扫描,基于相邻点之间的关系提取角点和平面点。...这些算法的快速计算依赖于点云的降采样,这可能无法在拥挤的室内环境中保留用于可靠配准的有意义点。 为了解决这个问题,已经提出了根据激光雷达扫描的分析自适应调整参数的方法。...这个过程在激光雷达坐标系中进行,以便于后续的球形投影步骤。 3.3 球形投影与法线提取 在运动补偿的激光雷达点云上执行球形投影以生成深度图像。

29710
  • 自动驾驶:Lidar 3D传感器点云数据和2D图像数据的融合标注

    相机数据本质上是2D的,它不提供对象的距离。尽管可以使用摄像头传感器的焦距和光圈来近似物体的深度,但是由于在将摄像头传感器将3D场景捕获到2D平面上时会固有地丢失信息,因此无法精确定位。...激光雷达能够生成每秒高达200万个点的点云。由于精度更高,激光雷达可用于测量物体的形状和轮廓。 虽然来自相机的RGB数据缺少深度信息,但由激光雷达生成的点云数据缺少RGB数据中存在的纹理和颜色信息。...相机传感器数据和激光雷达点云数据的融合涉及2D到3D和3D到2D投影映射。 3D到2D投影 硬件 我们从Motional提供的最全面的开源数据集开始:nuScenes数据集。...将3D点云数据转换为世界坐标系 通过与自我框架平移和旋转矩阵相乘,激光雷达参考系(L1)中的每个框架都将转换回世界坐标系。...所生成的传感器数据具有较高的准确性。激光雷达点云数据精确到正负2 cms。相机数据以1600 x 900像素分辨率记录。高精度级别允许注释工具提供半自动技术,以减少数据标记所需的手动工作。

    3.2K21

    国外疫情愈加严重的3月,VR或成新社交媒介

    VRPinea有幸也参与了此次盛会,V2EC 2020大会无疑为特殊时期大会的举办方式提供了新的案例,开创了VR云会议的先河。...l HTC将停产Vive Pro和Vive Focus 近日,HTC为支持新产品迭代,宣布将停产Vive Pro和Vive Focus,取而代之的是带有眼动追踪技术的Vive Pro Eye,以及Vive...此外,HTC表示将继续为企业专门定制最适合的Vive Focus头显。看来HTC布局B端是认真的!...l Valve Index于3月10日凌晨2点补货 此前,Valve表示将在《半条命:爱莉克斯》发售前,美国东部时间3月9日下午1点/北京时间3月10日凌晨2点,补充Valve Index的新库存并重新开售...据Valve称,因新型冠状病毒肺炎的影响,补货量比预期的要少,且仅包括Index VR套件(包括耳机、控制器和基站),即无法单独订购其他组件,如耳机、控制器和基站。

    71020

    自动驾驶地图构建(Mapping)-占位栅格图(Occupancy Grid Map)

    下面以二维激光雷达扫描模型来说明(注意:实际应用的激光雷达是3D的,这里用2D Lidar是为了简化模型,所用理论可以很好推广到3D模型)。...2D Lidar的测量结果都是相对于自身传感器中心的,即以2D Lidar中心为坐标原点;所有的测量结果最终都要转换到Map坐标系,完成地图制作的计算。...4、移除Lidar中地面和动态物体 实际应用中的激光雷达(Lidar)是3D的,会扫描到大量的地面点,这些地面点如果不被移除,按照计算匹配模型,会被当做障碍物处理。...所以需要将地面点点云数据从激光雷达点云中移除掉。如何移除呢?一种可行的方法是,通过自动化识别算法从Lidar点云中将地面识别并剔除。...通过视觉分割算法辅助点云识别可以提升路面的识别率。 动态物体(行人、车辆等)也需要从点云数据中移除,这依赖于基于点云和图像的感知技术。

    4K20

    解析Valve的“Lighthouse”追踪系统技术

    Lighthouse是基于一组传感器,能监测配套基站激光束的跟踪系统,为HTC Vive提供Room Scale房型虚拟现实体验,通过VR头显和控制器追踪定位空间。...一个是水平的激光(基站的坐标系统)从下到上(位于基站前方)横扫追踪的数量;另一束激光是垂直的从左到右横扫追踪数量。两束激光在各种的轴以3600 rpm速度旋转。...它使用水平和垂直激光交替扫描检测HTC Vive头显和SteamVR控制器,同时头显和控制器里面的小型传感器会检测经过的激光。然后系统巧妙地整合了所有的数据用来确定设备的转动和3D空间的位置。...正如所有好的科学家,Kreylos首先解释了测量的方法: 我把一个36英寸的尺子放在地板上,位于追踪空间的中心,然后用我附在其中一个追踪控制器的小型探针针尖来标识出每1英寸的3D位置(位于控制器的本地坐标系的探针针尖位置...接下来,我把每个三维点的测量结果与“理想”的三维点进行比较。这个理想的三维点是通过非线性点集的对准算法在一些任意坐标系中生成每一个点的理论位置。 ?

    2.2K70

    如何实现智能视觉测量系统-为什么原木智能检尺需要高精度3D相机

    3D成像的基本概念 高精度的视觉测量通常需要使用高精度3D相机或激光雷达,下面介绍相机成像的原理,同时也将解释为什么用2D相机无法进行精确测量。 2D相机成像的原理为透视投影,如下图所示。...综合上面的步骤,可以得到从相机坐标系到像素坐标系的变换公式为 根据上面的公式,由于透视投影是不可逆的,无法从2D图像恢复出相机坐标系下物体的3D坐标,我们能得到的只有离散的像素坐标。...因此单纯用2D图像是无法实现精确测量的。 与2D相机不同,3D相机可输出RGB图与深度图。RGB图中每个像素都有颜色值,深度图中每个像素都有深度值(相机坐标系下的Z值),另外通常还有XY值。...这两张图是对齐的,每个像素既有颜色值又有与之对应的XYZ坐标。下图是3D相机重建出的3D图像,称为点云,用MeshLab软件打开之后可以观看和操作。...3D重建和横截面与直径识别都会引入误差,这需要3D相机的点云精度达到2mm以内,且RGB图清晰、分辨率高,以确保横截面与直径识别算法的精度。

    75620

    CT-ICP: 带有闭环的实时且灵活鲁棒的LiDAR里程计

    配准过程基于单帧点云到地图的匹配,使用稀疏体素结构化的密集点云作为地图以实时运行。同时,利用高程图进行快速的闭环检测,并通过图优化来优化姿态,从而实现纯LiDAR的完整SLAM。...这些姿态将LiDAR坐标系L(t)中的点转换到世界坐标系W = L(0)。与其他连续时间轨迹方法不同,新扫描的姿态W_b与上一扫描的结束姿态W_ne−1不匹配。...局部地图和鲁棒性配置 局部地图使用之前扫描的点云(类似于IMLS-SLAM),但不同的是世界坐标系中的点存储在稀疏的体素数据结构中,以实现比kd树更快的邻域访问。...请注意,与pyLiDAR的F2M相反,局部地图不会按滑动窗口的方式忘记点云,使用这种类型的地图的里程计对于不良配准非常敏感,无法从由于不良扫描点云插入而导致的地图污染中恢复。...使用RANSAC对两个特征集之间进行鲁棒的2D刚性变换拟合,并使用内点数的阈值来验证对应关系,当验证匹配时,对高程网格的点云执行初始2D变换的ICP优化(使用Open3D的ICP),从而产生精确的6自由度循环闭合约束

    53820

    SLAM学习笔记(十九)开源3D激光SLAM总结大全——Cartographer3D,LOAM,Lego-LOAM,LIO-SAM,LVI-SAM,Livox-LOAM的原理解析及区别

    明确:RViz 仅显示3D混合概率网格的2D 投影(以灰度形式)。该地图难以直接使用。...(欢迎纠错,有错误我将立即更正) 首先,Cartographer3D用IMU确定重力方向,让要匹配的点云的Z轴方向和重力方向对齐。...Lidar Odometry: 估计两帧点云之间的位姿变换,获得两个时刻之间的相对位姿,频率较高 10Hz Lidar Mapping: 建图模块,把连续10帧的点云数据和整个地图匹配,获得世界坐标系下的位姿...但是,LOAM使用的是点云地图,那么点云投影后,进行匹配的就还是点云地图。 两堆点云,如何匹配?...分割 分割部分首先把点云投影到一张距离图像中: 以16线激光雷达为例,其竖直方向为16根,因此竖直方向的分辨率为16;其水平方向角度分辨率为0.2度,因此水平方向分辨率为360/0.2=1800,即构建一张

    5.9K40

    Colmap-PCD:一种用于图像到点云配准的开源工具

    主要贡献 实现图像与其重建对象之间的精确2D-3D对应关系对于准确的图像定位至关重要,一种有前景的方法涉及在图像和激光雷达平面之间建立对应关系,激光雷达平面可以被视为来自激光雷达点云地图的重建对象的替代...内容概述 Colmap简要概述 对应点搜索:对应搜索过程包括特征提取和特征匹配,通过识别跨越各种输入图像的匹配2D特征点来确定潜在的场景重叠。...划分LiDAR点云为固定大小的体素,通过四条线形成四边形金字塔。 通过遍历体素中的LiDAR点,将其从世界坐标系转换到相机坐标系,并投影到成像平面。...红色的金字塔表示相机位姿。显然,重建结果几乎与LiDAR生成的地图完美对齐,表明LiDAR点云地图在图像定位过程中提供了积极的约束。然而,原始Colmap的建图尺度与实际环境显著不同。...如图11所示,距离在每次迭代后收敛到最小值,表明3D点能够与点云地图中的适当位置很好地对齐。

    1.8K10

    自动驾驶视觉融合-相机校准与激光点云投影

    然而激光雷达得到的是3D点云, 而单目相机得到的是2D图像, 如何将3D空间中的点投影到图像平面上, 从而获得激光雷达与图像平面相交的区域, 是本文研究的重点....但是激光雷达的外部坐标系和相机的外部坐标系位置是不一样的. 因此除了构成投影几何形状的固有相机内参数外, 我们还需要有关相机和激光雷达在公共参考坐标系中的位置和对齐方式的其他信息....外参矩阵 现在我们已经实现了在相机坐标系中3D空间中的点P到2D像素平面中的点P'之间的映射. 但是激光雷达和相机的坐标系所在空间位置是不一样的, 它们都需要在车辆坐标系中进行校准....KITTI 传感器配置 接下来我们会使用KITTI的自动驾驶数据集来实现3D空间中的激光雷达点(激光雷达外部坐标系)到相机2D图像平面的投影(像素坐标系)....如果将P_rect_00改成P_rect_2, 也就是从参考相机0投影到相机2的像素坐标系中(其他相机相对与相机0有偏移b(i)). 以下为实现激光雷达3D点云投影到2D图像平面的步骤: // 1.

    1.8K11

    轻量级实时三维激光雷达SLAM,面向大规模城市环境自动驾驶

    然而,该算法对旋转角度敏感,并且配准精度受网格大小的影响。基于特征的方法仅提取具有特征的点云进行匹配,以实现出色的实时性能和高精度。...最后,使用基于图的优化方法来消除匹配过程中的误差,以获得全局一致的轨迹和建图。 04  方法介绍 4.1 地面分割 地面点通常占据自动驾驶车辆记录的3D点云的很大比例。...地面坐标系标记为 ,激光雷达坐标系标记 。...边缘特征 转换为地面坐标系 。需要在地面坐标系中找到两个边缘点 。这两个点连接成一条直线,以构建点线残差。首先,在地面坐标系中搜索五个附近的边缘点。...该系统包括地面分割、深度编码、基于改进PCA的特征提取和环路检测。 根据深度信息对无序的非地面点云进行编码。编码的点云保持三维信息而不投影到2D平面上。这种编码方法可以应用于具有不同分辨率的激光雷达。

    3.6K71

    论文解读|激光视觉融合的V-LOAM

    激光里程计利用低频率1hz来优化运动估计,去除由于里程的漂移造成的点云的运动畸变。 对无畸变的点云进行匹配并配准以逐步构建地图。...{S}表示相坐标系:x->left、 y ->upwards、z -> forward 世界坐标系{W}和{S}在0时刻是对齐的。...系被分为两部分: 视觉里程计:按图像的帧率利用图像和激光点云估计系统的运动。在这个部分特征跟踪模块在连续的图像帧中检测和匹配视觉特征点。深度图配准模块把局部的深度图和点云对齐并得到视觉特征点的深度。...视觉里程计 利用激光雷达的点云和视觉里程计得到的位姿对齐和维护了一个深度图。...当利用视觉恢复的运动来对齐点云,漂移会导致点云畸变。sweep到sweep的优化过程代表一个线性的运动模型来匹配点云,去除畸变。 ?

    99020

    M2DP:一种新的三维点云描述子及其在回环检测中的应用

    在M2DP中,我们将3D点云投影到多个2D平面,并为每个平面的点云生成密度签名,然后使用这些签名的左奇异向量值和右奇异向量值作为三维点云的描述子。...主要贡献 描述点云局部或全局形状的点云描述子可分为两类,签名方法和直方图方法,签名通过定义不变的局部参考轴或坐标系,将点云的区域拆分为索引的bin。...,使用主成分分析(PCA)对齐输入点云来实现旋转不变性。...该步骤假设每一个点云有两个dominant direction,这使得我们可以沿着这些dominant direction来粗略的将匹配的两个点云对齐。...总结 本文提出了一种新的三维点云全局描述子M2DP,并将其应用于基于激光雷达的环路闭合检测中,M2DP描述子是根据3D点云到多个2D平面的投影和这些平面上云的特征计算构建的,然后应用SVD来减小最终描述符的尺寸

    1.1K10

    基于激光雷达和单目视觉融合的SLAM和三维语义重建

    所提方法的整体框架 A 数据融合与深度插值 首先,我们将激光雷达点云投影到相机坐标系中,得到与单目图像对应的稀疏深度图。...具体而言,我们使用透视投影方法将激光雷达点云投影到相机坐标系中,得到点云在相机视野下的位置。然后,通过深度插值算法,对这些点进行插值处理,填充缺失的深度信息,得到密集的深度图。...最后,我们通过对每一帧的点云进行融合和优化,得到大规模的室外环境的完整3D地图。在融合过程中,我们使用姿态对齐后的点云进行增量式地拼接,以获得更丰富、更准确的地图重建结果。...因为远离的物体和天空无法将发射的点云反射到激光雷达扫描仪上,同时受到KITTI数据采集车上配备的Velodyne64的垂直视场(26.8°)的限制,导致深度图的1241×150区域的顶部信息丢失。...,实现了稀疏激光雷达点云的上采样,并与高分辨率的2D图像进行融合。

    1.6K20

    基于固态激光雷达辅助的十六线机械雷达和单目相机的外参标定方法

    对于2D的像素点和3D的激光点,所以这个问题可以构建为如公式所示。...由于机械激光雷达单帧的点云稀疏,直接基于机械点云和图像匹配构建匹配关系比较困难,本课题引入具有非重复扫描特性的稠密的固态激光雷达点云作为中间标定过程。...(a) 机械激光雷达点云 (b) 固态激光雷达点云 (c) 图像信息 传感器采集信息示意图 图 (a)为机械雷达采集得到的点云,可以看到单帧激光点包含的信息很少很难直接和图像对齐,而 (b)为固态激光雷达重复扫描得到的场景信息...固态激光点云和图像对齐结果 得到相机和固态激光雷达的外参后,利用固态激光雷达点云和机械雷达点云利用icp或者其他的方法进行数据关联,得到准确的外参,利用该外参把固态激光点云和机械雷达点云对齐后如下所示。...固态激光点云和机械雷达点云对齐结果 其中红色点表示原始的机械雷达点云,蓝色点表示对齐后的机械雷达点云,绿色点表示稠密的固态激光雷达点云,其中对齐的边缘细节如图所示。

    76020

    基于语义分割的相机外参标定

    ,右边为点云信息,目标是恢复相机的外参矩阵P的参数,即旋转矩阵R3×3和平移向量T,同时,假设表示从摄像机坐标系中的3D坐标到2D像素坐标的映射的内在参数K(R3×4)是已知的,提出了一种新的标定方法来估计相机的外参数据...B、 三维环境重建 假设配备有激光雷达传感器和高精度定位的车辆,以构建3D环境模型M,一些激光雷达扫描数据被记录为点云,并在世界坐标系中表示,从激光雷达传感器坐标到世界坐标的转换需要已知的激光雷达参信息...其次,由于点云稀疏性等原因,仍然无法为其分配与静态对象对应的语义标签的像素最终被分类为无效像素,以便这些像素在估计R^和^t时不会造成损失。...CARLA评估时,点云视图以天空背景呈现,如图2b所示,为了仅匹配两幅图像之间的共同天空区域,渲染视图中与目标中的天空区域不匹配的天空区域被屏蔽,因为这些像素是由点云稀疏引起的,另一种有效的措施是仅使用图像的下半部分进行配准...这可以在图3c中清楚地看到,最后,在KITTI评估的情况下,将点云裁剪到初始位置周围75米的半径,以减少内存占用,激光雷达分割视图是用Pytorch3D绘制的。

    88920

    Camera-Lidar投影:2D-3D导航

    请参阅以data/readme.txt获取更多详细信息。 激光雷达点云fileid.bin:2D数组[num_points, 4]。...包含3x4投影矩阵参数,这些参数描述了世界坐标系上3D点到图像中2D点的映射。 校准过程在[2]中说明。需要注意的是将校准cam0用作参考传感器。激光扫描仪相对于参考相机坐标系进行配准。...框间投影 从线性代数的角度,投影矩阵在以均匀的坐标中表示为一个线性变换,它通过从一个向量空间到另一个向量空间x'= Px的乘法来改变点。可以对其进行合成以遍历不同的坐标系。...图6.图像上激光雷达点的颜色编码范围值 如果我们想以2D方式处理数据,则可以通过将点云投影到图像上以使用相应的激光雷达范围值(z)构造稀疏深度图表示来收集更多信息。...图7. 3D盒子投影到点云上 在此示例中,我们不考虑从360度旋转的LIDAR扫描仪绘制所有扫描点,而是仅考虑位于摄像机视场内的点云,如图4所示。

    2.6K10

    CamMap:基于SLAM地图对不共视相机进行外参标定

    然后执行类似关键帧检测以在两个地图中找到匹配的关键帧。最后使用两阶段优化通过对所有匹配地图点对(PkA1,PkB1)进行对齐来估计外参参数(其中k ∈ N,N = {1,...,l})。...对相似关键帧捕捉的尺度和局部地图进行对齐,以估计外参参数,这个过程是“帧到帧”的对齐,是第一个优化阶段。同时,使用卡方检验来删除错误匹配的地图点对。...在这种方法中,地图坐标系与第一幅图像的相机坐标系重合,因此相机可以以不同的频率进行拍摄,如果第一幅图像中的特征点很少,ORB-SLAM3系统将拒绝创建关键帧,因此,建议在开始时将相机放置在具有相对丰富特征的方向上...资源 自动驾驶及定位相关分享 【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法 自动驾驶中基于光流的运动物体检测 基于语义分割的相机外参标定 综述:用于自动驾驶的全景鱼眼相机的理论模型和感知介绍...高速场景下自动驾驶车辆定位方法综述 Patchwork++:基于点云的快速、稳健的地面分割方法 PaGO-LOAM:基于地面优化的激光雷达里程计 多模态路沿检测与滤波方法 多个激光雷达同时校准

    74520

    深度|详解自动驾驶核心部件激光雷达,它凭什么卖70万美元?

    在接收到原始点云数据并进行点云栅格化描述、完成地面和障碍物分离以及地面估计与分割的基础上,采用目标聚类方法,通过栅格网叠加以及表面特征匹配,结合目标尺度比较,可确认跟踪列表并进行目标跟踪。...这其中,激光雷达起到了地图采集、环境感知和辅助定位等功能。 通过采用激光雷达多次行驶获取道路的三维点云数据,进行人工标注,过滤一些点云图中的错误信息,对多次收集的点云数据进行对齐拼接最终形成高清地图。...通过局部点云匹配和全局点云匹配的位置估计方式,获得给定的当前位置情况下观测到点云信息的概率分布,结合对当前位置预测的概率分布,就可以提高无人车定位的准确度。...在点云匹配过程中,采用事先获得的3D地图和获得的局部3D点云,通过顶视图的正交投影,转换为一个栅格化的2D反射率和高度网格图,进行两者之间的地图特征匹配计算,可获得高置信率的位置估计。 ? 图5....通过一组点云形成的3D线段以及一组从图像获得的2D线段之间的对应关系,以及两者相对平移和旋转的联合估计的优化解,来获得外部标定参数。 ? 图15.

    1.7K60
    领券