yunqiushuiman的博客

近距离误识别 调试笔记

lidar

激光雷达目标检测目标检测跟踪的最后一个节点（给到融合），的目标的MSG是。

百度开源的旧版点云网络是cnn_segmentation，是三维语义分割网络，apollo3.0-apollo5.0一直沿用，由于采用了百度的大规模数据集训练，其检测性能（主要是鲁棒性、边缘拟合度）要胜于基于KITTI训练的神经网络。但该神经网络对GPU的性能要求高，需要GTX1080以上的显卡才能维持10HZ的推理频率。因此百度在apollo6.0推出了其新的检测网络模型，在速度上有很大提升。（1） 网络模型解析，检测算法解析博客 （2） 3d_obstacle_percepti

https://github.com/myybdl/lidar-xgboosthttps://github.com/aadeaina2014/LIDAR-Feature-Extraction-and-Classificationhttps://github.com/manonansart/pointCloudsClassificationhttps://github.com/shaozhenghan/PointCloud_Classification_using_ML

1.你采用的点云，原始输出哪些信息？ x,y,z,time,ring,intensity.2、点云的特性 点组成，每个点是x,y,z;无序性、不受排列顺序影响，稀疏性、近密远疏，非结构化。pointpillars：3.1 是3D卷积还是2D卷积？在x,y平面上得到柱子（pillars).转化成特征向量。没有Z的信息，做2维卷积，速度更快。3.2 请介绍PointPillar网络中，将原始点云信息转换成2D伪图像的详细过程？3.3 介绍PointPillar网络训练过程中

文章目录一、亮道智能二、中科智城二、镭神智能三、岭纬科技四、图达通五、速腾聚创六、北醒光子七、富锐光学八、森思泰克九、禾赛科技一、亮道智能https://www.liangdao.ai/Telescope.html雷达非自产，解决方案路侧感知融合系统LDTelescope™，硬件部分由高分辨率激光雷达、网络摄像头等路侧传感器，以及边缘计算单元组成。根据城市、高速等应用场景，LDTelescope™http://www.leishen-lidar.com/solution/41提供多种硬件配置方案，

onnx随时切换训练的网络。训练和推理的解耦。问答环节：问题1： 点云检测中，如何处理120米以外点云的检测分类？即使是128线的激光雷达，有效距离也是仅一百米。120米已经非常稀疏，点很远，物体很容易受影响。所以apollo没有对120米外物体做检测。问题2： 为什么复现模型的精度非常的低？推荐github second （pointpillars）。问题3：apollo采用了哪些方法进行了模型的加速？2点。充分利用tensorrt加速极致.........

文章目录１．相机驱动2.相机内参标定获取：3. velodyne１６线4.联合标定１．相机驱动相机驱动安装 sudo apt-get install ros-melodic-usb_cam查看相机的最大分辨率：打开usb_cam-test.launch文件修改读取图片的长和宽为1920 1080;启动相机roslaunch usb_cam usb_cam-test.launch可以查看图片，或者自己编写图像读取ros程序.图片的topic :　/usb_cam/image_raw2.相机内

文章目录雷神１６线：velodyne 16 VLP:雷神１６线：使用教程：https://blog.youkuaiyun.com/yunqiushuiman/article/details/119447705驱动安装，安装其src包；启动roslaunch lslidar_c16_decoder lslidar_c16.launch --screenvelodyne 16 VLP:安装驱动：sudo apt-get install ros-melodic-velodyne启动ros节点：roslaun

文章目录1. windows下安装上位机，可视化显示2. linux下安装ros驱动，rviz显示1. windows下安装上位机，可视化显示安装包”上位机软件“中，双击”WinPcap_4_1_3“应用程序，安装Pcap;然后，打开”LSC16-[Client]210311_v3.0.7“，点击”LSC16-[Client]210311_v3.0.7“应用程序即可。2. linux下安装ros驱动，rviz显示LSLIDAR_C16_V3.0.8_210408_ROS.tar解压，放在src里