記錄一下自己常用的檢測方法

?----------------------------------------------

2022.9.9更新

突然發現沒發跟蹤部分，對原博再修改一下

完結撒花

-------------------------------------------------------

一、傳統方法

使用

特別要注意：輸入的topic

1.播放數據包：雷達的topic必須為/points_raw

2.voxel_grid_filter：對原始點云進行降采樣

3.ray_ground_filter：對降采樣后的點云進行點云地面過濾，將地面點和非地面點進行分離

4.lidar_euclidean_cluster_detect：對非地面點進行聚類

5.imm_ukf_pda_track：基于交互式多模型、無跡卡爾曼濾波、概率數據關聯的跟蹤算法

---

voxel_grid_filter

Points topic：輸入點云話題，選擇/points_raw

Voxel Leaf Size：濾波時創建的體素大小為0.1m的立方體。過大的Leaf Size雖然會使速度變快，但聚類的結果會相對變差，尤其是對于反射較為微弱的物體（如遠處的行人）

Measurement Range：濾波范圍

---

ray_ground_filter

input_point_topic：輸入點云話題，選擇voxel_grid_filter發布的/filtered_points

sensor_height：激光雷達高度

clipping_height：裁剪高度，例如裁剪1.28m以上部分（以雷達為原點）

min_point_distance：最近的點云距離，1.85代表過濾掉1.85m范圍內的點云，為了消除車身自身的雷達反射的影響

radial_divider_angle：distance in rads between dividers

concentric_divider_distance：distance in meters between concentric divisions

local_max_slope：同條射線上臨近兩點的坡度閾值（單位：度）

general_max_slope：整個地面的坡度閾值（單位：度）

min_height_threshold：最小高度閾值

reclass_distance_threshold：重新分類點之間的距離

---

lidar_euclidean_cluster_detect

use_gpu：是否使用GPU

output_frame：輸出坐標系

pose_estimation：使用最小面積邊界矩形估計簇的姿態 Estimate the pose of the cluster using a minimum-area bounding rectangle

downsample_cloud：pointcloud downsampling via VoxelGrid filter

input_points_node：輸入點云topic，選擇/points_no_ground

leaf size：下采樣體素網格大小

cluster size minimum：聚類的最少點數

cluster size maximum：聚類的最多點數

clustering distance：聚類公差（m）

clip_min_height：裁剪的最小高度

clip_max_height：裁剪的最大高度

use_vector_map：是否使用矢量地圖

vectormap_frame：矢量地圖坐標系

wayarea_gridmap_topic：

wayarea_gridmap_layer（面板寫錯了）：

wayarea_no_road_value：

remove_points_upto：Points closer than this distance to the lidar will be removed

keep_only_lanes_points：side-filtering

keep_lane_left_distance：Remove points further than this distance to the left (m)

keep_lane_right_distance：Remove points further than this distance to the right (m)

cluster_merge_threshold：聚類簇間的距離 Distance between cluster centroids (m)

use_multiple_thres：use of distance-based clustering tolerances 基于距離的聚類

clustering_ranges：Distance from lidar (m)

clustering_distances：聚類公差 Clustering tolerances (m)

remove ground：ground plane filtering (removes points belonging to the ground)

use_diffnormals： Difference-of-Normals filtering

publisher filtered：

---

imm_ukf_pda_track

inout topic：輸入話題

tracking frame：跟蹤坐標系

vectormap frame：矢量地圖坐標系

life time thres：對象關聯變量，跟蹤對象存活次數的閾值

gating thres：概率數據關聯參數，一個匹配用的閾值

gate probability：概率數據關聯參數，在IMM更新運動模型會用到

detection probability：概率數據關聯參數，在IMM更新運動模型會用到

static velocity thres：靜止速度閾值，小于這個閾值可視為靜止

static num history thres：靜止次數

prevent explosion thres：防止ukf參數爆炸的閾值

lane direction chi thres：使用矢量地圖需要設置的參數

nearest lane distance thres：使用矢量地圖需要設置的參數

merge_distance_threshold：合并兩個錨點的距離閾值，小于這個閾值可合并點

use_sukf：是否使用比例無跡卡爾曼濾波算法

use_vectormap：是否使用矢量地圖

?

---

效果

?節點關系圖

---

單獨使用

lidar_euclidean_cluster_detect

效果圖（不是很好）

節點圖

---

二、深度學習方法

以lidar_cnn_baidu_detect為例

準備

1.首先打開 autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/README.md

安裝caffe

2.安裝完成后，刪除build install log文件夾，然后重新編譯

編譯完成后打開log文件夾查看編譯結果，可以查看CUDA等模塊是否安裝成功

出現100%說明編譯成功并且該模塊可用

3.從Apollo官網下載預訓練模型到autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/models

4.代碼直接使用會報錯

參考鏈接

可按這個鏈接下載這個代碼覆蓋autoware里的代碼鏈接

?使用

---

lidar_cnn_baidu_detect

image_src：輸入點云

Score Threshold：分類閾值，當識別的得分大于0.7時可認為是這個類別

network_definition：網絡定義

pre_trained_model：預訓練模型

use_gpu：是否使用gpu

gpu_device_id：gpu id

效果

節點關系圖

當顯卡內存不足時會出現這種情況，考慮換個顯卡

總結

以上是生活随笔為你收集整理的Autoware-激光雷达目标检测与跟踪的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。