weixin_39953154的博客

该组件是激光雷达目标检测的最后一个组件，相对其他模块实现的功能稍微复杂一些，现在针对每个实现细节做较为详细的介绍。模块主要实现了2大功能模块：目标匹配和目标融合。对于经过目标匹配和目标融合后的新目标，会push到frame中的tracked_objects中，以方面后续使用。这里要先分清楚两个概念：新检测目标：只的是本循环周期内，通过激光雷达检测输出的目标；轨迹中最新目标：指的是之前的循环周期push到轨迹中的最新目标；

该组件是对激光雷达检测的目标进一步进行过滤，其中提供了3种目标过滤器，包括ROI边界过滤器、策略过滤器、背景过滤器。这个组件比较简单，如果在前面已经打好了基础，对这个组件的理解就会很容易。注意：大家可以根据项目需求增添属于自己的目标过滤器。配置文件中使用了ROI边界过滤器、策略过滤器，现对这两种过滤器做简单介绍。1）ROI边界过滤器过滤掉距离地图边界2.5m以外的目标；过滤掉地图内、置信度较低且距离道路边界较近的目标；

该组件是对接收的激光雷达点云进行障碍物检测，目标是识别目标的类型、位置大小、置信度，注意这里未获取目标速度，目标速度会在lidar_tracking中获取。功能实现主要分为2步：1）使用深度学习进行障碍物检测；2）构建目标多边形。Apollo目前采用的centerpoint深度学习算法进行的目标检测，其实大部分工作是在训练时中做的，这是只是使用了深度学习得到的模型和参数文件，部署后通过推理直接得出目标障碍物的信息。为保证大家更好的理解，后续会开一期centerpoint深度学习的训练过程，敬请期待。

该组件是检测打到地面的激光点云，将上一步过滤得到的ROI点云的基础上，再细分为地面点和非地面点两部分。虽然代码有些难读，其实整个实现过程并不难。以下针对实现的细节做个较为详细的介绍。1）首先将在感兴趣的距离（80m）范围内等距离划分出粗分（256）方格和细分（32）方格；如下图所示，粗分方格中包含细分方格。2）将ROI点云根据实际位置分发到不同的方格中，同一个激光点，在粗分方格和细分方格都有对应的位置。为增加点云的处理速度，这里使用了SSE2指令集。3）地面候选点云过滤。

该组件是对接收的激光雷达点云进行过滤，目标是只保留地图内的点云，滤除地图外的点云。主要分为2步：1）提取高精地图结构；2）标记哪些点云在地图内。

该组件是对接收的激光雷达点云数据做预处理，主要实现点云过滤和坐标系转换两个功能。注意，输入的激光雷达点云数据是由激光雷达驱动解析后发出的，激光雷达驱动的发送周期为100ms，为激光雷达旋转一圈的数据量。