NLOS的博客

背景自动驾驶车辆对环境表示有的高精度需求基于FMCW radar 生成环境表示主要有两种方法✅基于合成孔径雷达(SAR)✅基于占用网格图(OGM)本文工作首次使用相同测量数据,对SAR和OGM环境表示进行定性比较。

动机4D毫米波雷达有诸多优势：✅ 能够测量目标的距离、方位角、仰角和速度✅ 鲁棒性强问题：尽管4D毫米波雷达研究快速发展❌ 但目前还缺乏对该主题的调研总结本文目标填补这一空白促进该领域未来研究本文内容回顾4D毫米波雷达的理论背景和发展进展✅ 信号处理流程✅ 分辨率提升方法✅ 外参标定过程✅ 点云生成方法介绍 4D毫米波雷达在环境感知和定位与映射任务中的数据集和应用算法4D毫米波雷达领域的未来发展趋势本文贡献第一篇关注自动驾驶中的4D毫米波雷达的综述。

4D mmwave radar面临的问题：本文贡献：提出了一种高doppler and angle resolution的algorithm1 高Doppler resolution with high-dynamic:✅ propose a novel velocity ambiguity resolution algorithm🚩 using a dual pulse repetition frequency (dual-PRF) waveform design + embedded in an t

然而，现在我们得到的旋转是在变换后的坐标系中的。我们需要将其转换回原始坐标系，以便我们可- 以比较两个旋转。这就是为什么我们需要乘以 swap_yz.inv() 的原因。swap_yz.inv() 是 swap_yz 的逆，它表示了从 x-z-(-y) 坐标系回到 x-y-z 坐标系的变换。其中，比较难以理解的是。

在一台刚买的电脑上装Intel RealSense T265的SDK，并用python采集数据。然而，Viewer的确安装好就能识别，但是python始终无法识别。历经重启、管理员python等都未能解决。根据之前的经验，应该非常顺利才对。

【代码】windows 安装open3d 报错：ImportError: DLL load failed: 找不到指定的模块。

使用深度学习，基于sparse raw mmwave radar intensity data包括 2 back-to-back GAN:1st GAN: 由radar data生成 2D depth images2nd GAN: 由2D depth images 生成3D点云优点：1 利用CNN提取局部结构特征2 利用了点云的高效和能够表达细节几何特征的能力？（意思是输出的点云有这些优点？）

代码】记录 | Python 安装PointNet++ 时 cuda_utils.h: No such file or directory。