系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
TODO:写完再整理

前言

认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！

本文先对**【无人驾驶autoware 项目实战】感知-目标检测模块**做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章

提示：以下是本篇文章正文内容

一、功能

自动驾驶车辆必须检测周围物体，如其他车辆、行人和行人交通信号灯。有了这些信息，我们能遵守交通规则，避免事故发生。检测模块使用摄像头和激光雷达，结合传感器融合算法和深度学习网络进行目标检测。目标识别与检测，基于先进的YOLOv3检测模型，实时地检测车辆前方环境以及障碍，实现自主停障和在监视屏上显示当前行驶的状态
探测物体，比如车辆，行人和交通信号灯，以避免碰撞和违反交通规则。【防盗标记–盒子君hzj】我们专注于在移动物体（车辆和行人）上，虽然我们的平台也能识别交通信号灯。我们使用可变形零件模型（DPM）算法进行检测车辆和行人。
CUDA是NVIDIA开发的一个编程框架，用于通用计算在GPU

.
.

二、输入

【camera image】

相机图像
.

【pointcloud data】

激光雷达的点云数据（经过PCL下采样滤波的点云处理后的数据
.
.

三、输出

【image objects】

各种图像目标检测类别
.

【points objects】

各种点云目标检测类别
.

【objects class】

各种融合的目标类别
.
.

四、算法流程实现

【image detector】

图像的目标检测：输入相机图像camera image，提供基于图像的目标检测。使用YOLO、SSD、R-CNN等的算法，识别出来图像各种目标类别image objects，可以进行多类别(汽车，行人等)实时目标检测。识别交通标识、识别动态人车信息

立个flag…效果、算法原理、源码我在整理一次再更~
.

【lidar_detector（clustering）】

点云聚类（三维电锯检测的一种手段）：输入实时激光雷达点云数据，经过聚类，输出点云各种目标类别points objects。从激光雷达单帧扫描读取点云信息，提供基于激光雷达的目标检测。【防盗标记–盒子君hzj】主要使用欧几里德聚类算法，从地面以上的点云得到聚类结果。除此之外，可以使用基于卷积神经网路的算法进行分类，包括VoxelNet,LMNet.

点云数据配准技术:点云畸变的纠偏
点云障碍物检测技术:从激光雷达中的点云数据中识别检测出行人、车辆障碍物等等

立个flag…效果、算法原理、源码我在整理一次再更~
.

【fusion_tools】

将lidar_detector和image_detector的检测结果进行融合，image_detector 的识别类别被添加到lidar_detector的聚类结果上。

立个flag…效果、算法原理、源码我在整理一次再更~
.

【objects fusion】

图像、点云目标融合：输入激光雷达的单帧扫描点云和摄像头的图片信息，进行在3D空间的更准确的目标检测。激光雷达的位置和摄像头的位置需要提前进行联合标定，现在主要是基于MV3D算法来实现。经过图像、点云目标融合，得到各种融合的目标类别

立个flag…效果、算法原理、源码我在整理一次再更~

.
.

总结

参考资料

版权声明：本文为CSDN博主「盒子君~」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_35635374/article/details/121859878