m0_46611008的博客

说明：本系列为自动（智能驾驶）感知融合的技术栈和思路（部分图片和资料来源于网络）本专题是将自己学到的内容整理复习一下，并分享给想学习这方面的人。本文分为2部分：自动驾驶及传感器简介、传感器标定自动驾驶根据SAE分级，分为5个等级：SAE即美国汽车工程师学会Society of Automotive Engineers）目前大多公司完成的都是L2级别的辅助驾驶，功能开启时，驾驶员处于驾驶状态，目前最高达到的也就是L4水平的自动驾驶。目前产业链如上图，宽泛得讲讲自动驾驶模块分为感知、决策和执行模块。这里我们主要

对于4D雷达的研究，本文将更加深入和具体地说明这几个数据集，并给出获取的方法、使用方法及注意事项等。

傲酷使用算法的方式，可以将分辨率提高100倍，声称其波形是不一样的（调幅调相调频，三者都调，且自适应）上一帧和下一帧会产生闭环和关联，根据环境变化而变化。总结：报告主要阐述了4D雷达的优势和技术栈，以及实现的主流方式，不同厂商目前的方案如何以及其产品在目前的业界地位如何。车路协同中，也测试过，也不干扰。可以参考其专利，主要是水平和纵向都在做，分别发的东西是不一样的，水平，纵向10倍，4级联可以达到100倍。主要是三种调制，每个chirp是不一样的，雷达之间是不一样的，干扰的机会较少、还做了相关算法；

接下来就是最为重要的packet解析：有两种packet：数据包（data packet）以及位置数据包（postion packet）位置包有时被称为遥测包，或GPS包。前者包含由传感器测量的三维数据以及返回光脉冲的表面的校准反射率。前者中还包含一组方位角和一个4字节的时间戳，以及两个识别传感器模型和激光返回模式的工厂字节（Factory Byte）。如果您已经将传感器配置为与GPS时间源同步，那么位置数据包将提供所收到的最后一条NMEA消息(GPRMC或GPGGA)的副本（copy）。......

将激光雷达“跑起来”很容易，但是如何合理的应用激光雷达，你就需要去阅读手册，但是阅读手册对于许多初学者来说是十分痛苦的，特别时诸如velodyne等国外厂商给出的一百多页全英文的手册，打开就怕了，想到网上去找解析很难能找到，特别是velodyne的几乎搜不到相关信息，从而直接弃了实在可惜。本文的写作目的是解析某些激光雷达手册，从中发掘工程中需要注意或者应用到的关键点。..................

在自动驾驶领域，时间同步是非常重要的，决定着传感器时间戳是否能对齐和后续的算法研究。有很多课程和资料都会给出大致的方向诸如网络时间、GNSS授时（最常见）但实际操作起来又该如何做呢，目前鲜有这方面的资料，本文将给出来龙去脉和具体方法。万字长文感谢大家支持！.........

如果你对自动驾驶感兴趣，经过一步步的深入学习最后来到了自己需要设计一个方案来搭载你的设备完成某些任务时，如何快速入手？抑或是没有设备但是想投入研究工作（甚至可以投身于数据集打榜），公开数据集是一个很好的切入点。............

承接上文，本文主要涉及基于激光雷达的目标检测，主要分为对点云的概述和点云神经网络两部分。本部分，我们研究目标是对激光雷达目标检测进行研究，那么研究对象就是由激光雷达得到的稠密的点云。首先研究点云我们类比于对图像的处理，点云具有无序性，他没有严格的例如像素的坐标关系，也没有像素的相邻像素的概念具有稀疏性，所以起初我们研究点云还是非常困难的。对于点云的无序性，我们可以通过构建八叉树和k-d树建立关系，从而有序化；点云没有相邻但是有临域的概念，通常采用k近邻（及欧式距离最近的k个点）和半径临域（r内的所有点）。.

上一部分说完了常见的传感器硬件，接下来说传感器的软件方面方面。本部分主要分为两部分：1.计算机视觉与神经网络；2.感知应用（纯视觉部分）计算机视觉（CV）大家都不陌生，是近来发展迅速的科学之一。其内容包含了对于视觉信息的获取、传输、处理、存储及处理与理解。............