renjianhhong的博客

在自动驾驶感知系统中，一个目标（例如其他车辆或行人）的信息一般来自多个不同的传感器，如 LiDAR（激光雷达）、相机、毫米波雷达等。这些传感器提供的数据需要通过传感器融合技术进行整合，以得到目标的详细状态，包括位置、大小、朝向、速度以及其在图像或点云中的边界框（Bounding Box，简称BBX）。：首先，将各种传感器的原始数据进行预处理，包括去噪声、坐标转换等，使数据可以进行后续处理。：接着，在每个传感器的数据中进行物体检测。例如，对于 LiDAR，可能使用点云分割算法来检测出单独的物体；

在这个示例中，我们添加了一个名为Event的枚举以表示可能的事件。我们还为StateMachine类添加了一个handleEvent方法，该方法接收一个Event参数并根据事件类型调用相应的函数（如start、pause等）。现在，在main函数中，您可以通过调用stateMachine.handleEvent并传递相应的事件来测试状态跳转。在C++中实现一个事件驱动的状态机，您可以在StateMachine类中添加事件枚举和处理事件的方法。

车载超声波传感器主要用于测量与障碍物之间的距离，以辅助驾驶员进行停车或避免碰撞。然而，温度和噪声会影响超声波传感器的性能。为了获得准确的测量结果，需要对这些因素进行补偿和降噪。

在自动驾驶中，视觉感知模型负责从摄像头捕获的图像中提取关键信息，如车道线、交通标志、其他车辆、行人等。训练视觉感知模型通常基于深度学习技术，尤其是卷积神经网络（CNN）。：首先需要收集大量的驾驶场景图像作为训练和验证数据。这些图像应该覆盖各种实际驾驶条件，如不同光照、天气、路面状态等。：对收集到的图像进行预处理，包括缩放、裁剪、色彩空间转换等操作，以便将其输入到神经网络中。同时，可以应用数据增强技术（如旋转、翻转、变形等）来扩充数据集，提高模型的泛化能力。

自动驾驶系统中的传感器标定（Sensor Calibration）是确保各个传感器正确运作并提供准确数据的关键步骤。标定过程旨在消除传感器之间的误差，从而实现更精确、可靠的环境感知能力。

以地图为参考系建立的坐标系，用于表示高精度地图中的道路、交通标志、建筑物等地理特征的相对位置。：以车辆为参考系建立的坐标系，用于表示车辆内部传感器及周围物体相对于车辆质心的位置和姿态。：以惯性测量单元（IMU）为参考系建立的坐标系，用于表示车辆的加速度、角速度和姿态等惯性信息。：以地球表面为参考系建立的坐标系，用于表示车辆、道路和其他地理特征相对于地球的绝对位置。：以传感器（如摄像头、激光雷达等）为参考系建立的坐标系，用于表示从该传感器获取的目标物体的位置和姿态信息。每个传感器都有其独立的坐标系。

自动驾驶系统中，各类传感器扮演着重要的角色，它们各自负责收集不同类型的环境信息。

按下图步骤 添加可视化的topic，如radar点云。3 ----- 自车静止，旁边有车经过目标移动速度。2 ----- Selection 选择的目标点。4 ----- 绿色的点是附近的路沿，其速度为0。这里我们添加了 5 路radar点云数据。还可以rosbag 回放，也是一样的。1 ---- 自车位置。