記錄一下自己常用的檢測(cè)方法

?----------------------------------------------

2022.9.9更新

突然發(fā)現(xiàn)沒發(fā)跟蹤部分，對(duì)原博再修改一下

完結(jié)撒花

-------------------------------------------------------

一、傳統(tǒng)方法

使用

特別要注意：輸入的topic

1.播放數(shù)據(jù)包：雷達(dá)的topic必須為/points_raw

2.voxel_grid_filter：對(duì)原始點(diǎn)云進(jìn)行降采樣

3.ray_ground_filter：對(duì)降采樣后的點(diǎn)云進(jìn)行點(diǎn)云地面過濾，將地面點(diǎn)和非地面點(diǎn)進(jìn)行分離

4.lidar_euclidean_cluster_detect：對(duì)非地面點(diǎn)進(jìn)行聚類

5.imm_ukf_pda_track：基于交互式多模型、無跡卡爾曼濾波、概率數(shù)據(jù)關(guān)聯(lián)的跟蹤算法

---

voxel_grid_filter

Points topic：輸入點(diǎn)云話題，選擇/points_raw

Voxel Leaf Size：濾波時(shí)創(chuàng)建的體素大小為0.1m的立方體。過大的Leaf Size雖然會(huì)使速度變快，但聚類的結(jié)果會(huì)相對(duì)變差，尤其是對(duì)于反射較為微弱的物體（如遠(yuǎn)處的行人）

Measurement Range：濾波范圍

---

ray_ground_filter

input_point_topic：輸入點(diǎn)云話題，選擇voxel_grid_filter發(fā)布的/filtered_points

sensor_height：激光雷達(dá)高度

clipping_height：裁剪高度，例如裁剪1.28m以上部分（以雷達(dá)為原點(diǎn)）

min_point_distance：最近的點(diǎn)云距離，1.85代表過濾掉1.85m范圍內(nèi)的點(diǎn)云，為了消除車身自身的雷達(dá)反射的影響

radial_divider_angle：distance in rads between dividers

concentric_divider_distance：distance in meters between concentric divisions

local_max_slope：同條射線上臨近兩點(diǎn)的坡度閾值（單位：度）

general_max_slope：整個(gè)地面的坡度閾值（單位：度）

min_height_threshold：最小高度閾值

reclass_distance_threshold：重新分類點(diǎn)之間的距離

---

lidar_euclidean_cluster_detect

use_gpu：是否使用GPU

output_frame：輸出坐標(biāo)系

pose_estimation：使用最小面積邊界矩形估計(jì)簇的姿態(tài) Estimate the pose of the cluster using a minimum-area bounding rectangle

downsample_cloud：pointcloud downsampling via VoxelGrid filter

input_points_node：輸入點(diǎn)云topic，選擇/points_no_ground

leaf size：下采樣體素網(wǎng)格大小

cluster size minimum：聚類的最少點(diǎn)數(shù)

cluster size maximum：聚類的最多點(diǎn)數(shù)

clustering distance：聚類公差（m）

clip_min_height：裁剪的最小高度

clip_max_height：裁剪的最大高度

use_vector_map：是否使用矢量地圖

vectormap_frame：矢量地圖坐標(biāo)系

wayarea_gridmap_topic：

wayarea_gridmap_layer（面板寫錯(cuò)了）：

wayarea_no_road_value：

remove_points_upto：Points closer than this distance to the lidar will be removed

keep_only_lanes_points：side-filtering

keep_lane_left_distance：Remove points further than this distance to the left (m)

keep_lane_right_distance：Remove points further than this distance to the right (m)

cluster_merge_threshold：聚類簇間的距離 Distance between cluster centroids (m)

use_multiple_thres：use of distance-based clustering tolerances 基于距離的聚類

clustering_ranges：Distance from lidar (m)

clustering_distances：聚類公差 Clustering tolerances (m)

remove ground：ground plane filtering (removes points belonging to the ground)

use_diffnormals： Difference-of-Normals filtering

publisher filtered：

---

imm_ukf_pda_track

inout topic：輸入話題

tracking frame：跟蹤坐標(biāo)系

vectormap frame：矢量地圖坐標(biāo)系

life time thres：對(duì)象關(guān)聯(lián)變量，跟蹤對(duì)象存活次數(shù)的閾值

gating thres：概率數(shù)據(jù)關(guān)聯(lián)參數(shù)，一個(gè)匹配用的閾值

gate probability：概率數(shù)據(jù)關(guān)聯(lián)參數(shù)，在IMM更新運(yùn)動(dòng)模型會(huì)用到

detection probability：概率數(shù)據(jù)關(guān)聯(lián)參數(shù)，在IMM更新運(yùn)動(dòng)模型會(huì)用到

static velocity thres：靜止速度閾值，小于這個(gè)閾值可視為靜止

static num history thres：靜止次數(shù)

prevent explosion thres：防止ukf參數(shù)爆炸的閾值

lane direction chi thres：使用矢量地圖需要設(shè)置的參數(shù)

nearest lane distance thres：使用矢量地圖需要設(shè)置的參數(shù)

merge_distance_threshold：合并兩個(gè)錨點(diǎn)的距離閾值，小于這個(gè)閾值可合并點(diǎn)

use_sukf：是否使用比例無跡卡爾曼濾波算法

use_vectormap：是否使用矢量地圖

?

---

效果

?節(jié)點(diǎn)關(guān)系圖

---

單獨(dú)使用

lidar_euclidean_cluster_detect

效果圖（不是很好）

節(jié)點(diǎn)圖

---

二、深度學(xué)習(xí)方法

以lidar_cnn_baidu_detect為例

準(zhǔn)備

1.首先打開 autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/README.md

安裝caffe

2.安裝完成后，刪除build install log文件夾，然后重新編譯

編譯完成后打開log文件夾查看編譯結(jié)果，可以查看CUDA等模塊是否安裝成功

出現(xiàn)100%說明編譯成功并且該模塊可用

3.從Apollo官網(wǎng)下載預(yù)訓(xùn)練模型到autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/models

4.代碼直接使用會(huì)報(bào)錯(cuò)

參考鏈接

可按這個(gè)鏈接下載這個(gè)代碼覆蓋autoware里的代碼鏈接

?使用

---

lidar_cnn_baidu_detect

image_src：輸入點(diǎn)云

Score Threshold：分類閾值，當(dāng)識(shí)別的得分大于0.7時(shí)可認(rèn)為是這個(gè)類別

network_definition：網(wǎng)絡(luò)定義

pre_trained_model：預(yù)訓(xùn)練模型

use_gpu：是否使用gpu

gpu_device_id：gpu id

效果

節(jié)點(diǎn)關(guān)系圖

當(dāng)顯卡內(nèi)存不足時(shí)會(huì)出現(xiàn)這種情況，考慮換個(gè)顯卡

總結(jié)

以上是生活随笔為你收集整理的Autoware-激光雷达目标检测与跟踪的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。