基于深度学习的实时激光雷达点云目标检测及ROS实现

本文是Adam博客"无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现"的复现
环境准备：
Ubuntu16.04
ROS Kinetic
简介：
近年来，随着深度学习在图像视觉领域的发展，一类基于单纯的深度学习模型的点云目标检测方法被提出和应用，本文将详细介绍其中一种模型—SqueezeSeg，并且使用ROS实现该模型的实时目标检测。
传统方法VS深度学习方法：
实际上，在深度学习方法出现之前，基于点云的目标检测已经有一套比较成熟的处理流程：分割地面->点云聚类->特征提取->分类，典型的方法可以参考Velodyne的这篇论文：LIDAR-based 3D Object Perception
那么传统方法存在哪些问题呢？
第一步的地面分割通常依赖于人为设计的特征和规则，如设置一些阈值、表面法线等，泛化能力差；
多阶段的处理流程意味着可能产生复合型错误——聚类和分类并没有建立在一定的上下文基础上，目标周围的环境信息缺失；
这类方法对于单帧激光雷达扫描的计算时间和精度是不稳定的，这和自动驾驶场景下的安全性要求（稳定，小方差）相悖。
因此，近年来不少基于深度学习的点云目标检测方法被提出，本文介绍的SqueezeSeg就是其中一种，这类方法使用深度神经网络提取点云特征，以接近于端到端的处理流程实现点云中的目标检测。
论文：SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Rea