介绍:
激光雷达是光探测和测距的缩写。 它是一种主动传感系统,可用于高级驾驶辅助系统(ADAS)、机器人和无人机(uavs)的感知、导航和绘图。
激光雷达是一种主动遥感系统。 在有源系统中,传感器自己产生能量。 激光雷达传感器发射激光脉冲,通过物体反射,使它们能够感知周围环境的结构。 传感器记录反射的光能,以确定到物体的距离。 距离的计算是基于飞行时间(TOF)原理。 激光雷达传感器可与发射无线电波的雷达传感器相媲美。
大多数现代自动或半自动驾驶汽车都配备了传感器套件,其中包含多个传感器,如摄像头、IMU和雷达。 激光雷达传感器可以解决一些其他传感器的缺点。 雷达传感器可以提供恒定的距离和速度测量,但结果缺乏分辨率,而且它们在较远距离的反射能量和精度方面存在问题。 相机传感器会受到环境和照明条件的显著影响。 激光雷达传感器通过提供长距离深度感知能力来解决这些问题,即使是在恶劣的天气和光照条件下。
业内有各种各样的激光雷达传感器,如Velodyne、Ouster、Quanergy和Ibeo等公司。 这些传感器生成各种格式的激光雷达数据。 Lidar Toolbox™目前支持PLY、PCAP、PCD、LAS、LAZ和Ibeo传感器格式的数据读取。 更多信息请参见I/O。 有关Velodyne®传感器的流数据的更多信息,请参阅Lidar工具箱支持的硬件。
点云:
点云是激光雷达传感器输出数据的表示形式,类似于图像是相机输出数据的表示形式。 它是描述传感器周围环境的三维地图的大量点的集合。 您可以使用pointCloud对象来存储点云数据。 Lidar Toolbox提供点云的基本处理,如下采样、中值滤波、对齐、变换和从点云中提取特征。 有关更多信息,请参见预处理。 完成后添加链接到org到unorg页面。
有许多主要的雷达处理应用:
标记点云数据——标记点云中的对象有助于组织和分析数据。 标记点云可以用来训练目标分割和检测模型。 要了解更多关于标签的知识,请参阅开始使用激光雷达标签。
语义分割——语义分割是将点云的特定区域标记为属于某一对象的过程。 该过程的目标是将点云中的每个点与其相应的类或标签相关联,如汽车、卡车或驾驶场景中的植被。 它不区分来自同一类的多个对象实例。 语义分割模型可以用于自动驾驶应用程序来解析车辆的环境。 要了解更多关于语义分割工作流程,请参见使用SqueezeSegV2深度学习网络的激光雷达点云语义分割。
目标检测和跟踪——目标检测和跟踪通常遵循点云分割。 点云中的物体可以用长方体包围盒来检测和表示。 跟踪是在点云序列的一帧中识别被检测对象的过程。 有关分割、检测和跟踪的完整工作流的详细信息,请参见使用激光雷达检测、分类和跟踪车辆。
激光雷达摄像机校准-由于传感器套件中传感器的位置不同,每个传感器记录的数据在不同的坐标系中。 为了校准和融合来自这些传感器的数据,需要进行旋转和平移变换。 有关更多信息,请参见什么是激光雷达摄像机校准。