xiaohu的博客

为了安全地操作驾驶员辅助系统，必须清楚地识别和表征目标参数，即目标车辆的方向和尺寸。真实目标在反射停放的汽车、高速公路上的金属路障，甚至更大的路标等表面时的反射可能会导致错误的决定。这种不需要的目标被称为重影目标，并且应该避免。重影目标的识别，例如在穿墙成像的应用中，是众所周知的问题。通过精确了解反射表面的位置和方向，可以将重影目标与真实目标区分开来，如[1]所示。可以如[2]中那样应用发射波束成形来仅照射某个角度域，同时在整个角度域上进行接收。

参考：https://github.com/traveller59/kitti-object-eval-python，把相应的的依赖函数提取出来了，不需要单独安装second-1.5.1，spconv-1.0。也可以混合精度测试，通过修改config里的yaml参数，测试评估时要保证路径一一对应。可以看出int8精度损失比较严重，需要进一步做感知训练量化，接下来会利用英伟达提供的。编译代码，会得到两个可执行文件，一个用于获取数据的推理结果，一个用于可视化。进一步做感知训练量化。

backbone前面部分全部用tensorRT实现定义算子并调用TensoRT API搭建推理引擎。

我实际测试过，cuda版本的欧式聚类耗时3ms左右，速度提升了10倍左右！直接看代码，注释很详细。

文章目录Patchwork原理问题定义同心区模型区域级地平面拟合地面似然估计代码解析提取ROI体素滤波patchwork地面过滤实践运行效果对于在地面移动平台上导航或邻近目标识别，地面分割是至关重要的。然而，地面并不平坦，存在陡峭的斜坡；崎岖不平的道路；或物体，例如路缘石、花坛等。为了解决该问题，下面学习一种最新的地面分割方法，它对于解决分割不足问题具有鲁棒性，并且工作频率超过 40 Hz。以下重点介绍了 Patchwork 每个模块背后的问题定义和推理。 Patchwork 主要由三部分组成：CZ

包围框定义什么是包围框？包围框是指一个简单的几何空间，在三维点云中，里面包含的是聚类后的一系列点集。为目标点集构建包围框能够提取出障碍物的几何属性给跟踪模块作为观测值；将零散的目标点云通过包围框转换成规则物体，会使决策模块更易规划运动轨迹。包围框分类有哪些包围框类型？点云包围框的类型主要包括轴对齐包围框、方向包围框、固定方向凸包等。在道路目标的障碍物检测中，由于障碍物通常在地面上，所以从简化计算的角度，包围框的拟合可以先在目标点集的Z方向检索最小值/最大值，再对点集做XY平面上求取包围框。

void differenceNormalsSegmentation(const pcl::PointCloud<pcl::PointXYZ>::Ptr in_cloud_ptr, pcl::PointCloud<pcl::PointXYZ>::Ptr out_cloud_ptr){ float small_scale = 0.5; float large_scale = 2.0; float ang

激光雷达是实现无人驾驶环境感知的重要传感器，激光雷达以其稳定可靠、精度高并且能同时应用于定位和环境感知而被广泛采用现今，点云上的深度学习变得越来越流行，涌现许多基于深度神经网络的点云端到端检测算法，该方法依赖密集点云，通常采用高线的激光雷达，对于低速，简单场景下，低线激光雷达采用聚类方法也可以取得较好的障碍物感知效果。