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。