自动驾驶目标识别-----毫米波雷达学习笔记（2）

1、坐标变换

毫米波雷达的坐标系基本上和相机间的坐标系原理差不多。

如果做多传感器融合，那么就需要用到了坐标系变换。

此帖子不仅局限于单一传感器之间的坐标变换，还可以应用于不同传感器之间的坐标变换。

图1 坐标系变换过程

这里需要注意的是，雷达和相机的内外参矩阵，要分清和搞明白R和T的表达形式，区分是从雷达到世界，还是世界到雷达！

2.检测算法

毫米波雷达最好用的机器学习算法是DBSCAN，基于密度聚类算法，但是实际的效果还是不尽人意，包括对静态物体无法有效检测和无法做到类别区分等等缺陷。

随着深度学习的成熟，利用深度学习技术不仅可以对物体进行检测，还可以实现对类别的区分。这里由于个人的原因，无法在该领域开展相关的研究。但具体可以参考pointpillar，centerfusion等算法的原理进行研究。

3.数据集

以点云形式的数据集主要是NuScene。它包含丰富的多传感器套件，可以供广大的研究者使用。

不同于其他以多普勒啁啾形式，NuScene通过点云等形式提供后处理数据（不需要研究毫米波雷达底层工作原理）。这种数据形式可以有助于我们投入更多的精力在目标检测上。