使用激光雷达检测地平面和障碍物

简介: 通过分割地平面并查找附近的障碍物来处理来自安装在车辆上的传感器的 3-D 激光雷达数据。这可以促进车辆导航的可驾驶路径规划。该示例还演示如何可视化流式激光雷达数据。

一、前言
通过分割地平面并查找附近的障碍物来处理来自安装在车辆上的传感器的 3-D 激光雷达数据。这可以促进车辆导航的可驾驶路径规划。该示例还演示如何可视化流式激光雷达数据。
二、创建 Velodyne 文件读取器
本例中使用的激光雷达数据是使用安装在车辆上的传感器记录的。设置对象以读取记录的PCAP 文件。

三、读取激光雷达扫描
激光雷达数据的每次扫描都存储为三维点云。使用快速索引和搜索高效处理此数据是传感器处理管道性能的关键。这种效率是使用对象实现的,该对象使用 K-d 树数据结构在内部组织数据。

为每个激光雷达扫描构建一个组织。属性是一个 M×N×3 矩阵,包含点的 XYZ 坐标(以米为单位)。点强度存储在中。

四、设置流点云显示
可用于可视化流式点云数据。通过配置车辆周围要显示的区域。
1.png

在这个例子中,我们将分割属于地平面、自我车辆和附近障碍物的点。设置用于标记这些点的颜色图。

2.png

五、分割自我车辆
激光雷达安装在车辆顶部,点云可能包含属于车辆本身的点,例如在车顶或引擎盖上。了解车辆的尺寸后,我们可以分割出最接近车辆的点。

创建用于存储车辆尺寸的对象。

指定激光雷达在车辆坐标系中的安装位置。车辆坐标系以后桥中心为中心,位于地面上,正 X 方向指向前方,正 Y 方向指向左侧,正 Z 方向朝上。在此示例中,激光雷达安装在车辆的顶部中心,平行于地面。使用辅助功能分割自我车辆。此功能分割由自我车辆定义的长方体内的所有点。将分割的点存储在结构中。使用分段的自我车辆可视化点云。
3.png

六、分割地平面和附近的障碍物
为了从激光雷达数据中识别障碍物,首先使用该函数对地平面进行分割以完成此操作。此功能从有组织的激光雷达数据中分割属于地面的点。
4.png

通过使用点云上的函数删除属于自我车辆和地平面的点。指定 as 以保留点云的组织性质。

接下来,通过寻找距离自我车辆一定半径内不属于地面或自我车辆的所有点来分割附近的障碍物。此半径可以根据激光雷达的范围和感兴趣区域来确定,以便进一步处理。
5.png

目录
相关文章
|
传感器
使用校准相机测量平面物体
使用校准相机测量平面物体。
147 0
|
6月前
|
机器学习/深度学习 算法 前端开发
高速公路表面图像裂缝检测程序
高速公路表面图像裂缝检测程序
|
6月前
|
传感器 机器学习/深度学习 存储
使用激光雷达(LiDAR)和相机进行3D物体跟踪
使用激光雷达(LiDAR)和相机进行3D物体跟踪
|
11月前
|
算法
3D Hough变换点云平面检测算法
3D Hough变换点云平面检测算法
217 0
|
机器学习/深度学习 传感器 编解码
【雷达成像】基于BP成像方式模拟飞机雷达正侧视或斜视模式下对地面目标成像附matlab代码
【雷达成像】基于BP成像方式模拟飞机雷达正侧视或斜视模式下对地面目标成像附matlab代码
【雷达成像】基于BP成像方式模拟飞机雷达正侧视或斜视模式下对地面目标成像附matlab代码
|
传感器 存储 编解码
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹。
218 0
|
机器学习/深度学习 传感器 编解码
【车道线检测】基于计算机视觉实现车道线视频检测附matlab代码
【车道线检测】基于计算机视觉实现车道线视频检测附matlab代码
|
算法
通过光流法检测运动物体,得到图像运动场
通过光流法检测运动物体,得到图像运动场
389 0
通过光流法检测运动物体,得到图像运动场
|
机器学习/深度学习 传感器 算法
智慧交通day03-车道线检测实现02-2:张氏标定法+双目标定
该方法介于传统标定法和自标定法之间,既克服了传统标定法需要的高精度三维标定物的缺点,又解决了自标定法鲁棒性差的难题。标定过程不需要特殊的标定物,只需使用一张打印出来的棋盘格,并从不同方向拍摄几组图片即可,不仅实用灵活方便,而且精度很高,鲁棒性好。因此很快被全世界广泛采用,极大的促进了三维计算机视觉从实验室走向真实世界的进程。
354 0
|
传感器 算法 智慧交通
智慧交通day03-车道线检测实现02-1:相机校正
我们所处的世界是三维的,而照片是二维的,我们可以把相机认为是一个函数,输入量是一个场景,输出量是一幅灰度图。这个从三维到二维的过程的函数是不可逆的。
160 0