百度apollo3.0自动驾驶原理简介-3D障碍物感知

3D障碍物感知（激光雷达数据+高精度地图数据)：

1. 高精度ROI过滤：通过当前位置查找当前位置附近范围内的高精度地图区域 + 激光雷达的区域 进行俯视图2D视角进行取交集。

    参数：range（-a, a)代表激光雷达的俯视图矩形范围 cell_size 代表这个矩形范围内的分辨率，即分成多少个小格子。

2. #1的输出就是当前区域高精度地图区域内的激光雷达点云数据。然后用2D俯视角范围中每个格子中的尽可能多的信息输入进行深度学习训练，包括：

• Maximum height of points in the cell.

• Intensity of the highest point in the cell.

• Mean height of points in the cell.

• Mean intensity of points in the cell.

• Number of points in the cell.

• Angle of the cell’s center with respect to the origin.

• Distance between the cell’s center and the origin.

• Binary value indicating whether the cell is empty or occupied.

深度学习网络模型FCNN，输出为每个格子的：

• 中心偏移
• 对象性
• 积极性
• 对象高度

然后根据这些信息进行聚合操作，然后采用MinBox的规则推断出包含六个边的障碍物长方体坐标。

每帧的检测出的障碍物会保留一个序列，前后时刻的障碍物跟踪（HM对象跟踪）. 障碍物的速度方向推断下一刻位置和下一刻的检测的位置进行卡尔曼过滤，矫正为更准确的位置。

3. 障碍物与毫米波雷达障碍物进行融合。