Autoware-激光雷达目标检测与跟踪
记录一下自己常用的检测方法
----------------------------------------------
2022.9.9更新
突然发现没发跟踪部分，对原博再修改一下
完结撒花
-------------------------------------------------------
一、传统方法
使用
特别要注意：输入的topic
1.播放数据包：雷达的topic必须为/points_raw
2.voxel_grid_filter：对原始点云进行降采样
3.ray_ground_filter：对降采样后的点云进行点云地面过滤，将地面点和非地面点进行分离
4.lidar_euclidean_cluster_detect：对非地面点进行聚类
5.imm_ukf_pda_track：基于交互式多模型、无迹卡尔曼滤波、概率数据关联的跟踪算法
voxel_grid_filter
Points topic：输入点云话题，选择/points_raw
Voxel Leaf Size：滤波时创建的体素大小为0.1m的立方体。过大的Leaf Size虽然会使速度变快，但聚类的结果会相对变差，尤其是对于反射较为微弱的物体（如远处的行人）
Measurement Range：滤波范围
ray_ground_filter
input_point_topic：输入点云话题，选择voxel_grid_filter发布的/filtered_points
sensor_height：激光雷达高度
clipping_height：裁剪高度，例如裁剪1.28m以上部分（以雷达为原点）
min_point_distance：最近的点云距离，1.85代表过滤掉1.85m范围内的点云，为了消除车身自身的雷达反射的影响
radial_divider_angle：distance in rads between dividers
concentric_divider_distance：distance in meters between concentric divisions
local_max_slope：同条射线上临近两点的坡度阈值（单位：度）
general_max_slope：整个地面的坡度阈值（单位：度）
min_height_threshold：最小高度阈值
reclass_distance_threshold：重新分类点之间的距离
lidar_euclidean_cluster_detect
use_gpu：是否使用GPU
output_frame：输出坐标系
pose_estimation：使用最小面积边界矩形估计簇的姿态 Estimate the pose of the cluster using a minimum-area bounding rectangle
downsample_cloud：pointcloud downsampling via VoxelGrid filter
input_points_node：输入点云topic，选择/points_no_ground
leaf size：下采样体素网格大小
cluster size minimum：聚类的最少点数
cluster size maximum：聚类的最多点数
clustering distance：聚类公差（m）
clip_min_height：裁剪的最小高度
clip_max_height：裁剪的最大高度
use_vector_map：是否使用矢量地图
vectormap_frame：矢量地图坐标系
wayarea_gridmap_topic：
wayarea_gridmap_layer（面板写错了）：
wayarea_no_road_value：
remove_points_upto：Points closer than this distance to the lidar will be removed
keep_only_lanes_points：side-filtering
keep_lane_left_distance：Remove points further than this distance to the left (m)
keep_lane_right_distance：Remove points further than this distance to the right (m)
cluster_merge_threshold：聚类簇间的距离 Distance between cluster centroids (m)
use_multiple_thres：use of distance-based clustering tolerances 基于距离的聚类
clustering_ranges：Distance from lidar (m)
clustering_distances：聚类公差 Clustering tolerances (m)
remove ground：ground plane filtering (removes points belonging to the ground)
use_diffnormals： Difference-of-Normals filtering
publisher filtered：
imm_ukf_pda_track
inout topic：输入话题
tracking frame：跟踪坐标系
vectormap frame：矢量地图坐标系
life time thres：对象关联变量，跟踪对象存活次数的阈值
gating thres：概率数据关联参数，一个匹配用的阈值
gate probability：概率数据关联参数，在IMM更新运动模型会用到
detection probability：概率数据关联参数，在IMM更新运动模型会用到
static velocity thres：静止速度阈值，小于这个阈值可视为静止
static num history thres：静止次数
prevent explosion thres：防止ukf参数爆炸的阈值
lane direction chi thres：使用矢量地图需要设置的参数
nearest lane distance thres：使用矢量地图需要设置的参数
merge_distance_threshold：合并两个锚点的距离阈值，小于这个阈值可合并点
use_sukf：是否使用比例无迹卡尔曼滤波算法
use_vectormap：是否使用矢量地图
效果
节点关系图
单独使用
lidar_euclidean_cluster_detect
效果图（不是很好）
节点图
二、深度学习方法
以lidar_cnn_baidu_detect为例
准备
1.首先打开 autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/README.md
安装caffe
2.安装完成后，删除build install log文件夹，然后重新编译
编译完成后打开log文件夹查看编译结果，可以查看CUDA等模块是否安装成功
出现100%说明编译成功并且该模块可用
3.从Apollo官网下载预训练模型到autoware.ai/src/autoware/core_perception/lidar_apollo_cnn_seg_detect/models
4.代码直接使用会报错
参考链接
可按这个链接下载这个代码覆盖autoware里的代码链接
使用
lidar_cnn_baidu_detect
image_src：输入点云
Score Threshold：分类阈值，当识别的得分大于0.7时可认为是这个类别
network_definition：网络定义
pre_trained_model：预训练模型
use_gpu：是否使用gpu
gpu_device_id：gpu id
效果
节点关系图
当显卡内存不足时会出现这种情况，考虑换个显卡
