Lion996的博客

多激光雷达系统通常用于自动驾驶或机器人，每个雷达的位置和姿态不同，需要将它们的数据统一到同一个坐标系下。在这篇文章中，我们可结合手动标定法与自动标定法联调方式来确保标定精度，简单操作是假设我们通过手动标定方式初步得到基准激光雷达与附属激光雷达的相对坐标变换参数。一般来说，多激光雷达的主流的外参标定方法有手动标定调参法、自动标定法、基于车辆运动轨迹的标定法。，设雷达A的坐标系为源坐标系，雷达B为目标坐标系。），将多个雷达的点云数据统一到同一坐标系下。，其在两个坐标系下的坐标分别为。

3D点云的噪声滤波在激光雷达领域往往是最常见也同样是最容易忽略的地方，在实际应用场景下往往很容易产生噪声点，比如点云灰尘、雨水、雪雾等等。而常见的3D点云去噪方法往往无法根除，因此需要结合场景及激光雷达的特点来设计不同的噪声滤波器，从而满足实际需求，废话不多说，本文主要采用PCL来实现噪声过滤。

在应用3D检测时，项目中总会需要采集数据，来离线分析问题，而点云数据往往较为庞大，因此需要通过数据类型的转换来保存点云数据，达到数据压缩的效果。本文仅对PCL中的pcl::PointXYZI进行数据压缩，其他类型可以仿照参考即可完善。

现阶段由于固态激光雷达的普及，很多地方均可利用小视场的固态激光雷达叠加来进行点云式的目标检测，但由于数据集难以短时间内获取符合项目所需要的数据量并标注，因此，本文暂时采用传统方法实现目标检测功能。......

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。而在聚类领域里面，多采用欧几里得、区域生长、Ransac等方法实现聚类。其实还有一种方法可实现聚类，也就是CloudCompare软件内的标签连通域聚类方法。这种方法的好处是耗时较短，也同样能够实现较高精度的距离聚类。本文根据其特性做出相对应的修改，使其能够脱离CC软件插件，用C++程序以及PCL点云库实现。...........................

在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。一般在实施检测之前，均需要删除地面点云才能确保后续其他障碍物点云数据的提取精度，防止因为地面点云产生干扰。............

传感器标定在测量领域是不可或缺的一部分，相机标定较为简单，现在主流标定方法采用棋盘格标定、圆点标定等方式完成。本文从简单入手，应用opencv 中的标定方法实现相机标定。

因为要引入车辆预测模块来确保下游规划模块的准确性及稳定性，开始学习关于车辆轨迹预测相关的知识，部署相关的模型至实践项目中。发现网上关于车辆预测部分的资料较少，本文搜索一些资料供大家参考学习。(后续有看见优秀的资料会持续更新)