基于高度差法的三维雷达数据障碍物识别

最新推荐文章于 2024-04-25 18:18:11 发布
最新推荐文章于 2024-04-25 18:18:11 发布
阅读量1.1k 收藏 17
点赞数
分类专栏： 激光雷达 文章标签： Matlab 激光雷达 障碍物识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34911636/article/details/111463906
版权

Velodyne 激光雷达每帧有十几万个三维数据点，对于有限大小的地图来说，大多数栅格内的实际三维点个数必然不止一个（近距离点数较多，越远越少） , 所以我们首先建立一张栅格地图，再将当前帧内的三维点投影到栅格地图上，每个栅格内有若干点，这些点保留高度、强度等信息，最后根据这些点计算该栅格的属性。首先，建立一张栅格地图大小为前方(FOV_FX)为4m，后方(FOV_BX)-10m，左方(FOV_LY)-10m，右方(FOV_RY) 4m的一张栅格地图，其中栅格的宽度（Grid_L）为 0.2m，高度或长度（Grid_H）为0.2m。
栅格属性的判定：经过投影之后，地图上每个栅格包含三维点个数，最大高度，最小高度等信息。最后遍历每个栅格，判断该栅格的属性。属性分为可通行（白色区域），不可通行区域（黑色区域）。其中可通行有平坦地面，坡面等，不可通行类指一般影响自主车安全行驶的障碍物，未知区域表示雷达检测盲点。具体算法如下表所示：
在这里插入图片描述

本文依据该方法利用Matlab编写程序仿真
Matlab编写程序
其中LIDAR.m为主程序，Velodyne-HDL-32-Data1.csv为HDL-32雷达的输出数据，运行LIDAR.m既可以把Velodyne-HDL-32-Data1.csv文件中的三维雷达数据转化为障碍物图。
完整的程序包链接：https://download.csdn.net/download/qq_34911636/13741240

LIDAR.m代码如下所示：

clear;
clc;
fid=csvread('C:\Users\Administrator\Desktop\障碍物检测采用高度差-雷达数据\Velodyne-HDL-32-Data1.csv',1,3,[1,3,66000,5]);
%[C, position]=textscan(fid,'%f');
%fclose(fid);
%data = textscan(Fid,'float');
fid(:,1);
[x,y] = meshgrid(-10:0.2:4,-10:0.2:4);
z=ones(71)*-4;
%Grid_Pretreatment函数依据高度差法判定当前位置是否有障碍物，然后输出
%一幅二值化的图像，图像中的黑色表示障碍物，变色区域表示可通行区域
[Grid_Array,Grid_Struct] = Grid_Pretreatment(0.2,0.2,4,-10,-10,4);

figure
plot3(fid(:,1),fid(:,2),fid(:,3),'b.','MarkerSize',10);
% hold on;
% plot3(x,y,z,'r.','LineStyle','-');
% hold on
% plot3(fid(49570,1),fid(49570,2),fid(49570,3),'r.','MarkerSize',30);
% plot3(x,y,z,'r.','MarkerSize',2);
grid on
%disp(C);

Grid_Pretreatment.m代码如下所示：

function [Grid_Array,Grid_Struct] = Grid_Pretreatment(Grid_L,Grid_H,FOV_FX,FOV_BX,FOV_LY,FOV_RY)
%FOV_FX，表示视场前方的长度，为正数
%FOV_BX，表示视场后方的长度，为负数
%FOV_LY，表示视场左方的长度，为负数
%FOV_RY，表示视场右方的长度，为正数
%Grid_H，表示栅格的高度或长度
%Grid_L，表示栅格的宽度
fid = csvread('C:\Users\Administrator\Desktop\障碍物检测采用高度差-雷达数据\Velodyne-HDL-32-Data1.csv',1,3,[1,3,66000,5]);
disp(fid(3,2));
xcolumn = size(fid,1); %读取X轴数据的列数
ycolumn = size(fid,2); %读取Y轴数据的列数
zcolumn = size(fid,3); %读取Z轴数据的列数
middlecolumn = max(xcolumn,ycolumn);  %读取xyz三轴的最小列数
maxcolumn = max(middlecolumn,zcolumn);
disp(maxcolumn);
%检查参数的合法性
if((Grid_L<=0)&&(Grid_H<=0))
    
end
if((FOV_FX<=Grid_H/2)&&(FOV_BX>=-Grid_H/2)&&(FOV_LY>=-Grid_L/2)&&(FOV_RY<=Grid_L/2))
    
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
                             %结构的的初始化
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Grid_Property = struct(Obstacle_Property,Coordinate_XYZ,MAXH,MINH,Origin);  
Grid_Property.Obstacle_Property = 0; %用于标识当前网格为障碍物的变量
Grid_Property.Coordinate_XYZ = 0;  %用于存储当前网格点云的
Grid_Property.MAXH = 0; %存储当前网格z轴点云的最大值
Grid_Property.MINH = 0; %存储当前网格z轴点云的最小值
Grid_Property.Origin = 0;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 %障碍物检测边界的取整，从根据函数的传入值，设定要扫描雷达数据的区域，并求取网格
 %的数目和边界，这边设定网格的原点位于中心位置
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%                             
Range_LY_Num = floor((FOV_LY+Grid_L/2)/Grid_L); %求取y左半轴的网格数目
Range_LY = (floor((FOV_LY+Grid_L/2)/Grid_L))*Grid_L-Grid_L/2; %求取y左半轴的边界
Range_RY_Num = ceil((FOV_RY-Grid_L/2)/Grid_L); %求取y右半轴的网格数目
Range_RY = (ceil((FOV_RY-Grid_L/2)/Grid_L))*Grid_L+Grid_L/2;  %求取y右半轴的边界

Range_FX_Num = floor((FOV_FX-Grid_H/2)/Grid_H); %求取x后半轴的网格数目
Range_FX = (floor((FOV_FX-Grid_H/2)/Grid_H))*Grid_H+Grid_H/2; %求取x后左半轴的边界
Range_BX_Num = ceil((FOV_BX+Grid_H/2)/Grid_H); %求取x前右半轴的网格数目
Range_BX = (ceil((FOV_BX+Grid_H/2)/Grid_H))*Grid_H-Grid_H/2; %求取x前右半轴的边界
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Region_Array = []; %用于咱存放某个网格点云数据
Region_Array_Column = []; %用于暂记录落在当前栅格中点云数据的下标
Pseudo_Image = [];%zeros(-Range_BX_Num+Range_FX_Num,-Range_LY_Num+Range_RY_Num);
xa = 1; %这边的xa和ya变量用于对应栅格的坐标，这边的坐标用于把栅格的信息映射到最终输出的障碍物图像Pseudo_Image上
ya = 1;
for ystep = Range_LY:Grid_L:(Range_RY-Grid_L)      %y轴方向的取值，以栅格的宽度步进
    for xstep = Range_BX:Grid_H:(Range_FX-Grid_H)    %x轴方向的取值，以栅格的宽度步进
    %   disp(ystep);
    %   disp(xstep);
        Region_Array = [];
        Region_Array_Column = [];
        i = 1;                               %i参数统计落在当前栅格中的点云数
        for Datacolumn = 1:maxcolumn         %for循环遍历整个点云数据，通过遍历法搜索落在当前栅格中的点云数据
            if((fid(Datacolumn,2)>=ystep)&&(fid(Datacolumn,1)>=xstep))
               if((fid(Datacolumn,2)<(ystep+Grid_L))&&(fid(Datacolumn,1)<(xstep+Grid_H)))
                   Region_Array(i) = fid(Datacolumn,3);   %数组Region_Array把落在当前栅格中的点云数据暂存起来
                   Region_Array_Column(i) = Datacolumn;    %Region_Array_Column记录落在当前栅格中点云数据的下标
                   i = i+1;  %这边的i变量记录了当前网格有多少个点云数据
               end
            end 
        end
        i = i-1;  %i减1表示没有点云数据落在相应的区域中，如果大于1表示有点云数据落在相应区域
        if(i>1)
           OutPutCoordinate = LengthToCoordinate(xstep,ystep,Grid_L,Grid_H,FOV_FX,FOV_BX,FOV_LY,FOV_RY);
     
           if((abs(max(Region_Array)-min(Region_Array))>0.5))    %通过判断落在当前栅格中点云数据的最大与最小高度之差                               来判断是否为障碍物，若高度差大于0.1米则归为障碍物
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).MAXH = max(Region_Array);%把当前最大的当云数据存到结构体中
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).MINH = min(Region_Array);%把当前最小的当云数据存到结构体中
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).Obstacle_Property = 255; %障碍物标识码,255表示障碍物，0表示非障碍物
               Pseudo_Image(xa,ya) = 0;                          %把栅格转化为二值图像，Pseudo_Image存储二值图像，255表示障碍物，0表示非障碍物
              % Pseudo_Image(xstep+abs(Range_BX)+Range_FX,ystep+abs(Range_LX)+Range_RX) = 255;
           end
           if((abs(max(Region_Array)-min(Region_Array))<=0.5))    %通过判断落在当前栅格中点云数据的最大与最小高度之差来判断是否为障碍物，若高度差大于0.1米则归为障碍物
               %disp(Region_Array);
               %disp(max(Region_Array));
               %disp(min(Region_Array));
               %disp(min(Region_Array));
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).MAXH = max(Region_Array);%把当前最大的当云数据存到结构体中
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).MINH = min(Region_Array);%把当前最小的当云数据存到结构体中
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).Obstacle_Property = 0;   %障碍物标识码,255表示障碍物，0表示非障碍物
               Pseudo_Image(xa,ya) = 255;                            %把栅格转化为二值图像，Pseudo_Image存储二值图像，255表示障碍物，0表示非障碍物
              % Pseudo_Image(xstep+abs(Range_BX)+Range_FX,ystep+abs(Range_LX)+Range_RX) = 255;
           end
           for j = 1:1:i    %把落在当前栅格中的点云数据存到结构体中
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).Coordinate_XYZ(j,1) = fid(Region_Array_Column(j),1);%x轴数据
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).Coordinate_XYZ(j,2) = fid(Region_Array_Column(j),2);%y轴数据
               Grid_Property(OutPutCoordinate(1),OutPutCoordinate(2)).Coordinate_XYZ(j,3) = fid(Region_Array_Column(j),3);%z轴数据
           end 
        end
        if(i<=1)
          Pseudo_Image(xa,ya) = 100;
          %Pseudo_Image(xstep+abs(Range_BX)+Range_FX,ystep+abs(Range_LX)+Range_RX) = 0;  
        end
        xa = xa+1;  %xa ya相当于采用列扫描的形式，ya从左往右扫描，每循环一次xa重置为1开始从上往下扫描
    end
    xa = 1; %xa重置为1，列扫描从上往下
    ya = ya+1;
end  
Grid_Array = Pseudo_Image; %函数返回值 输出图像
Grid_Struct = Grid_Property; %函数返回值 输出网格信息
figure;
imshow(Pseudo_Image); %输出图像信息
disp(Pseudo_Image); %命令行中显示图像像素信息
end

LengthToCoordinate.m代码如下所示：

function [OutPutCoordinate] = LengthToCoordinate(x,y,Grid_L,Grid_H,FOV_FX,FOV_BX,FOV_LY,FOV_RY)

Now_Range_X_Num = 0;
Now_Range_Y_Num = 0;
%LengthToCoordinate求取出网格对应的像素点，我们把雷达数据变成在平面上网格化
%然后根据落在当前网格的三维雷达数据进行对比和分析，如果z轴上的雷达数据高度差
%大于某一个阈值则把当前网格判定为障碍物点。为了后期方便处理我们把上述的网格
%信息图像化，每一个网格代表一个像素点，然后绘制成一幅当前环境的二维图，二维图
%的黑色部分表示障碍物，白色部分表示可同行区域。LengthToCoordinate函数在这边的
%作用就是求取出网格对应像素点的坐标，返回值OutPutCoordinate为坐标
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
                             %障碍物检测边界的取整
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%                             
Range_LY_Num = floor((FOV_LY+Grid_L/2)/Grid_L); %求取y左半轴的网格数目
Range_LY = (floor((FOV_LY+Grid_L/2)/Grid_L))*Grid_L-Grid_L/2; %求取y左半轴的边界
Range_RY_Num = ceil((FOV_RY-Grid_L/2)/Grid_L); %求取y右半轴的网格数目
Range_RY = (ceil((FOV_RY-Grid_L/2)/Grid_L))*Grid_L+Grid_L/2; %求取y右半轴的边界

Range_FX_Num = floor((FOV_FX-Grid_H/2)/Grid_H);  %求取x后半轴的网格数目
Range_FX = (floor((FOV_FX-Grid_H/2)/Grid_H))*Grid_H+Grid_H/2; %求取x后左半轴的边界
Range_BX_Num = ceil((FOV_BX+Grid_H/2)/Grid_H); %求取x前右半轴的网格数目
Range_BX = (ceil((FOV_BX+Grid_H/2)/Grid_H))*Grid_H-Grid_H/2; %求取x前右半轴的边界
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if(y<-Grid_L/2)
    if(x<-Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = Range_BX_Num-(Range_BX-x)/(Grid_H);
    end
    if(x==-Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = 0;        
    end
    if(x>Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = Range_FX_Num-(Range_FX-x)/(Grid_H);    
    end 
    if(x==Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = 1;        
    end
end 
if(y>=Grid_L/2)
    if(x<-Grid_H/2)
        Now_Range_Y_Num = Range_RY_Num-(Range_RY-y)/(Grid_L);
        Now_Range_X_Num = Range_BX_Num-(Range_BX-x)/(Grid_H);
    end 
    if(x==-Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = 0;        
    end
    if(x>Grid_H/2)
        Now_Range_Y_Num = Range_RY_Num-(Range_RY-y)/(Grid_L);
        Now_Range_X_Num = Range_FX_Num-(Range_FX-x)/(Grid_H);    
    end
    if(x==Grid_H/2)
        Now_Range_Y_Num = Range_LY_Num-(Range_LY-y)/(Grid_L);
        Now_Range_X_Num = 1;        
    end
end
if(y==-Grid_L/2)
    if(x==-Grid_H/2)
       Now_Range_Y_Num = 0;
       Now_Range_X_Num = 0;
    end
end   
% disp(Now_Range_X_Num);
% disp(Now_Range_Y_Num);
OutPutCoordinate(1) = round(Now_Range_X_Num+(Range_FX_Num-Range_BX_Num)+1);
OutPutCoordinate(2) = round(Now_Range_Y_Num+(Range_RY_Num-Range_LY_Num)+1);
% if((OutPutCoordinate(1)<0)||(OutPutCoordinate(2)<0))
% disp(OutPutCoordinate(1));
% disp(OutPutCoordinate(2));
% end
end

雷达数据图：
三维雷达数据原始图

识别的结果：
高度差法识别出的障碍物图
上图即采用高度差法识别出的障碍物图，图中黑色区域表示障碍物，白色区域表示可通行区域。雷达数据带有一定的噪声和在识别过程中因为设定阈值不同的因素会出现一些不规则的黑色区域和噪声，后期可对改图进行腐蚀和膨胀处理达到更好的识别效果。

qq_34911636
关注
专栏目录
激光雷达障碍物识别
zqshust的博客
05-16 3330
PCD数据处理 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 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录PCD数据处理前言PCD数据读取二、使用步骤1.引入库2.读入数据总结 前言 在前一章节，我们已经了解如何分割和聚类简单的仿真产生的点云。这里我们将介绍如何使用分割和聚类算法处理自动驾驶车辆的真实点云数据。同时我们将介绍点云滤波处理，已经处理pcd文件流实现障碍物检测的方法。 PCD数据
障碍物检测采用高度差-雷达数据
12-20
采用高度差法对雷达数据进行障碍物识别
基于点云的3D障碍物检测
热门推荐
听说你爱吃芒果
02-08 2万+
基于点云的3D障碍物检测主要有以下步骤： 点云数据的处理 基于点云的障碍物分割 障碍物边框构建 点云到图像平面的投影 点云数据的处理KITTI数据集KITTI数据集有四个相机，主要使用第三个相机(序号为02)拍摄的图片、标定参数和标签文件。点云数据一般表示为N行，至少三列的numpy数组。每行对应一个单独的点，所以使用至少3个值的空间位置点(X, Y, Z)来表示。 在KITTI数据中有一个
雷达数据 障碍物判断_数据科学的进入障碍
weixin_26746861的博客
07-17 311
雷达数据 障碍物判断A Beacon of Comfort to the Weary Aspiring Data Scientist 疲惫的数据科学家的慰藉灯塔 Getting started in data science, or any sub-field of tech in general, is enormously frustrating. The barrier to entry ...
绘制距离-方位角-俯仰角的三维雷达数据图像
slpaopao666的博客
12-11 361
现在想把z轴变换成关于俯仰角的信息，这样就可以更直观的看到公交车的长宽高的信息了。但是不知道应该如何操作才能将上述三维雷达数据转换成类似的山峰图。我用slice函数得到的是下述图，但是不对，这样直接成方块了。现用TI的级联2243雷达板采集了公交车的数据，在用TI提供的代码对其进行了距离-方位角-俯仰角三个维度的FFT之后，最终生成了三个维度的数据，现需要将这个三维数据进行成像。但是之前操作的都是二维的数据，直接用surf或者mesh函数生成即可得到下面的图。但是这个图的z轴是幅度信息。
基于三维激光雷达的障碍物及可通行区域实时检测
01-25
《基于三维激光雷达的障碍物及可通行区域实时检测》 在智能驾驶和自动驾驶领域，障碍物检测和可通行区域的识别是至关重要的技术。本文介绍了一种利用三维激光雷达（LiDAR）进行实时障碍物检测和可通行区域提取的...
植被环境障碍物识别：基于马尔可夫随机场的三维激光雷达算法
"这篇论文是关于使用三维激光雷达在植被环境中进行障碍物识别的研究，主要涉及图像处理、三维激光雷达技术、目标检测、邻域特征提取、马尔可夫随机场建模、混合高斯模型以及图割法。研究提出了一种新算法，通过雷达...
激光雷达在障碍物检测中的应用
qq_31065851的博客
06-14 5610
从安全行驶方面看，车辆前方目标的检测相对于其它三个方向更为复杂和重要。因此，车辆前方雷达可选择德国 IBEO 公司生产的 IBEO-30LX 型四线激光雷达。由于车辆行驶时，驾驶员需要对后方障碍物进行判断和避让，但不如车辆前方状况复杂，因此，可选用 Hokuyo 公司生产的 UXM-30LX型单线激光雷达，实现对车辆两边和后方的目标检测。 UXM-30LX-EW 是来自日本 HOKUYO 公司生产...
swan三维雷达数据读取
08-31
利用VC6.0进行Swan雷达三维拼图数据的读取，并画对应回波图
虚假新闻识别检测数据集news.csv
12-02
虚假新闻识别检测数据集news.csv
云层高度方法总结：激光雷达信号反演/遥感数据估计
weixin_41243949的博客
03-04 7817
云层高度反演部分总结
论文翻译：LiDAR Based Negative Obstacle Detection for Field Autonomous Land Vehicles
banzixiang的博客
12-17 1685
论文翻译：LiDAR Based Negative Obstacle Detection for Field Autonomous Land Vehicles
栅格地图、障碍物地图与膨胀地图（障碍物地图）
最新发布
YiYeZhiNian的博客
04-25 1386
前面我们看完了栅格地图，知道了地图的基本数据结构，今天进一步的看一下障碍物地图。障碍物地图的存在更多是用于局部路径规划中所使用，因为大部分时候全局地图都是比较大的，那么很难保证其始终是一成不变的，所以如果我们只是按照全局地图进行路径规划，很可能会出现原有的地图中没有障碍物时，突然出现了一个障碍物，那么此时仅使用静态地图就容易出错，而同时考虑障碍物地图的话可以将这些新增的障碍物考虑进去，那么在做路径规划时就可以更好的避免一些原本不存在的障碍物阻挡设备运行的情况。
基于模拟退火遗传算法的全向AGV路径规划的学习与实现
CGG的博客
02-07 2674
路径规划的主要目标是根据有障碍物的环境，按照一定的要求规划出可供AGV高效平稳运行的无碰撞路径。如下图所示，在栅格地图环境中进行路径规划，编号的方格为地图最小单位，白色方格为空白区域，黑色方格区域为障碍物与小车碰撞的范围。
栅格地图
shuijinghua的博客
01-22 1万+
参考网址 https://wenku.baidu.com/view/e3f60da9ad51f01dc381f104.html 栅格地图有两种表示方法，直角坐标系法和序号法，序号法比直角坐标法节省内存 室内环境栅格法建模步骤 1.栅格粒大小的选取 栅格的大小是个关键因素，栅格选的小，环境分辨率较大，环境信息存储量大，决策速度慢。 栅格选的大，环境分辨率较小，环境信息存储量小，决...
机器人路径规划之栅格地图（一）
su_fei_ma_su的博客
05-27 1万+
什么是栅格地图 栅格地图：即以机器人出生点为中心，x轴和y轴的分辨率为单个格子大小，当x轴分辨率=y轴分辨率时，则每个格子为一个正方形，分辨率越小则表示地图精度越高，比如一个格子大小为1cm × 1cm，那么机器人定位精度就是1cm。可以想象成一个巨大的网把一个地面罩住，网面碰到东西则认为是障碍物/墙，没有碰到障碍物则可以认为是空地。 那么每个格子如何区分自己的状态是障碍物/墙，还是空地呢？这里可以赋予每个格子不同的值，比如0代表空地，1代表墙。这个值的内容也可以扩展，比如2代表已经走过，3代表未被走过等等
一文详解激光雷达的障碍物检测
3D视觉工坊
02-25 1万+
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达激光雷达感知自动驾驶中采用激光雷达做感知可以分为两个层次，低层次感知也叫作障碍物检测，只需要探测到前方有障碍物即可；高层次感知可以看做...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值