传感器融合
关注
分享
扫一扫
默_存
激光slam。
之前的知识基础：无人驾驶、传感器融合、目标追踪、车身控制。
展开
-
无人驾驶传感器融合系列（三）——真实激光雷达点云数据流的处理
本章摘要：在前两章中，讲解了激光雷达点云的分割、聚类基础原理以及实现。这一章主要介绍真实点云情况下的一些预处理，比如点云的导入、过滤、裁剪。然后根据单帧障碍物检测的pipeline，处理点云数据流。原创 2019-06-26 22:51:15 · 8854 阅读 · 4 评论 -
无人驾驶传感器融合系列（十）—— 目标追踪之相机与激光雷达数据融合
本章摘要：前几章讲了单独相机实现目标追踪，这一章讲解如何实现相机和激光雷达数据融合。整体思路是这样的，1、先是坐标对齐，将雷达坐标转换到相机坐标。2、然后将激光点往像平面投影，得到投影到像平面的点云。3、借助图像检测的框图（前面提到的YOLOv3检测）对点云实现过滤聚类。4、对聚类点后处理。原创 2019-07-19 11:03:24 · 12011 阅读 · 20 评论 -
无人驾驶传感器融合系列（九）——基于相机目标追踪之关键点描述、匹配
本章摘要：关键点检测出来之后，需要将其与其它图像上的关键点进行匹配，匹配的依据是什么了，这就需要涉及到关键点的描述了。根据关键点描述的数据值，好对不同关键点进行区别、匹配。本章概略性的讲解了，梯度直方图描述算子，二进制描述算子，匹配方法，匹配结果筛选等。原创 2019-07-18 17:19:57 · 1346 阅读 · 0 评论 -
无人驾驶传感器融合系列（八）——基于相机目标追踪之关键点探测
本章摘要：上一章对目标追踪中的TTC有个大概的讲解。在此基础上，第八、九章将对关键点keypoints方法进行详细的讲解。主要内容：图像上的关键点具备什么样的特征，如何检测；对检测出来的关键点如何描述，以便于和其他关键点区别和匹配；对于不同帧之间的关键点如何实现匹配，进而实现目标追踪。本章主要讲解关键点检测。原创 2019-07-16 12:34:15 · 1350 阅读 · 0 评论 -
无人驾驶传感器融合系列（七）——基于相机的目标追踪与碰撞检测
本章摘要：本章主要讲解基于相机实现目标追踪的整体思路，以及根据追踪的结果实现一个简单的应用TTC（time to collision），好对基于相机的目标追踪有一个大概的了解，在此了解的基础上，后续文章会对相关细节进行进一步的分析。原创 2019-07-15 11:42:54 · 2578 阅读 · 0 评论 -
无人驾驶传感器融合系列（六）——毫米波雷达方位角估计（77GHz FMCW）
本章摘要：本章主要讲解毫米波雷达如何估计障碍物的方位角，方位角的分辨率计算，方位角可估算范围。原创 2019-07-04 12:33:00 · 10542 阅读 · 9 评论 -
无人驾驶传感器融合系列（五）——毫米波雷达测速原理（77GHz FMCW）
本章摘要：介绍调频连续波（FMCW），如何进行测速，测速范围，测速分辨率如何计算。原创 2019-07-03 23:22:10 · 9779 阅读 · 0 评论 -
无人驾驶传感器融合系列（四）——毫米波雷达测距原理（77GHz FMCW）
本章摘要：介绍什么是调频连续波（FMCW），它是如何进行测距的，测距分辨率分析，测距范围分析。原创 2019-07-03 16:58:39 · 15974 阅读 · 0 评论 -
无人驾驶传感器融合系列（二）——激光雷达点云的聚类原理及实现
本章摘要：在上一章，我们采用RANSAC算法分割出了地面点云，非地面点云。我们通常会对非地面点云进行进一步的分割，也就是对地面以上的障碍物的点云进行聚类，通过聚类，我们可以检测出障碍物的边缘，然后使用3维的Bounding Box将障碍物从三维点云中框出来。本章将讲解Euclidean 聚类算法、PCL实现，并对其所利用的基本的数据结构kd-tree进行讲解。原创 2019-06-24 16:40:04 · 11988 阅读 · 7 评论 -
无人驾驶传感器融合系列（一）——激光雷达点云的分割原理及实现
本章摘要：激光雷达扫描得到的点云含有大部分地面点，这对后续障碍物点云的分类、识别和跟踪带来麻烦，所以需要将其分割掉。本章主要讲解点云的基础分割算法—RANSAC算法，通过例子分析其基本原理，然后讲解如何运用PCL实现RANSAC算法。原创 2019-06-24 12:08:24 · 9295 阅读 · 2 评论 -
无人驾驶传感器融合系列（十一）—— 相机内参标定
本章摘要：本章讲解相机畸变产生的原因，标定原理，以及如何通过opencv实现相机内参的标定。原创 2019-08-05 10:54:53 · 2553 阅读 · 1 评论