lidar激光雷达介绍,以及使用激光雷达数据通过深度学习做目标检测

简介: lidar激光雷达介绍,以及使用激光雷达数据通过深度学习做目标检测

我是初学自动驾驶相关知识,这部分内容都是我网上了解参考的,你们喜欢看就看,不喜欢不要喷哈,日后我学精了,再来继续分享心得!


1 频率

频率参考——百度百科

1.1 频率定义

频率:是单位时间内完成周期性变化次数,是描述周期运动频繁程度的量。为了纪念德国物理学家赫兹的贡献,人们把频率的单位命名为赫兹,简称“赫”,符号为Hz

1.2 频率的计算公式

  • 物质在1s内完成周期性变化次数叫做频率,常用f表示
  • 换句话说:周期的倒数叫做频率

$$f = \frac{1}{T}$$

  • f:是频率
  • T:是完成完成一次周期性变化的时间

例如:你眨一次眼睛的时间为0.5s(这里眨一次眼睛就代表一次周期性的变化),那眨眼的频率是多少呢?

$$f = \frac{1s}{0.5s}=2Hz$$

可以计算出你眨眼的频率是2Hz,也就是你一秒钟可以眨眼两次!

1.3 频率单位换算

物理中频率的基本单位是赫兹Hz),简称赫

  • $1kHz = 1000Hz$
  • $1MHz = 1000kHz=1000000Hz=100万Hz$
  • $1GHz = 1000MHz=1000000kHz=1000000000Hz=10亿Hz$

1.4 频率概念使用范畴

频率概念不仅在力学声学中应用,在电磁学光学无线电技术中也常使用。

1.5 频率的具体使用场景

1、声音的频率:就是机械振动的频率

人耳听觉的频率范围:20~20000Hz,也就是说一个声音信号,如果在1s的机械振动次说在20-20000Hz范围内,人耳都是可以听到的,不在这个范围内的听不到!

  • 低于20Hz:为次声波
  • 高于20000Hz:为超声波

2、CPU主频

例如:英特尔i9酷睿CPU的主频为4.4GHz,这里的主频是指CPU内核工作时钟频率(CPU Clock Speed),表示时钟频率每秒可以达44亿次

2 光

光的参考——百度百科

2.1 光的定义

1、光

:是一个物理学名词,其本质是一种处于特定频段光子流

2、光子

光量子,简称光子(photon),是传递电磁相互作用的基本粒子,是一种规范玻色子,在1905年由爱因斯坦提出,1926年由美国物理化学家吉尔伯特·路易斯正式命名。

2.2 光的传播速度

1、光的传播速度

$$299792458\approx3\times10^{8}m/s=3\times10^{6} km/s=30万km/s$$

2、光的速度感知量化

  • 地球周长:$40076km\approx4万km$
  • 地球到月球周长:$3.84\times10^5km=38.4万km$,约地球赤道周长的10倍
  • 因此,光大约1秒就可以从地球传到月球,光一秒传播的距离约为地球周长的8倍

3 激光

激光参考——百度百科

3.1 激光定义

激光Light Amplification by Stimulated Emission of Radiation,意思是“通过受激辐射光扩大”,从英文全名可以知道制作激光的主要过程

原子受激辐射的光,故名“激光”原子中的电子吸收能量后从低能级跃迁到高能级,再从高能级回落到低能级的时候,所释放的能量光子的形式放出。被引诱(激发)出来的光子束(激光),其中的光子光学特性高度一致。因此激光相比普通光源单色性方向性好亮度更高

3.2 激光的应用

激光应用很广泛,有激光打标、激光焊接、激光切割、光纤通信、激光测距、激光雷达、激光武器、激光唱片、激光矫视、激光美容、激光扫描、激光灭蚊器、LIF无损检测技术等等。激光系统可分为连续波激光器和脉冲激光器。

3.3 光的颜色

光的颜色:由波长(或频率)决定。一定的波长对应一定的颜色

3.4 激光的特性

激光有很多特性:

  • 首先,激光单色的,或者说是单频的。有一些激光器可以同时产生不同频率的激光,但是这些激光是互相隔离的,使用时也是分开的。
  • 其次,激光相干光。相干光的特征是其所有的光波都是同步的,整束光就好像一个“波列”
  • 再次,激光高度集中的,也就是说它要走很长的一段距离才会出现分散或者收敛的现象。

3.5 激光的频率范围

光子的能量是用 $E=hv$ 来计算的,其中h普朗克常量(描述光子或量子的大小),v频率。由此可知,频率越高,能量越高。激光频率范围为:

$$3.846×10^{14}Hz 到 7.895×10^{14}Hz。$$

电磁波谱可大致分为:

  • (1)无线电波——波长从几千米到0.3米左右,一般的电视和无线电广播的波段就是用这种波;
  • (2)微波——波长从0.3米到10^-3米,这些波多用在雷达或其它通讯系统;
  • (3)红外线——波长从10^-3米到7.8×10^-7米;
  • (4)可见光——这是人们所能感光的极狭窄的一个波段。波长从780—380nm。光是原子或分子内的电子运动状态改变时所发出的电磁波。由于它是我们能够直接感受而察觉的电磁波极少的那一部分;
  • (5)紫外线——波长从3 ×10^-7米到6×10^-10米。这些波产生的原因和光波类似,常常在放电时发出。由于它的能量和一般化学反应所牵涉的能量大小相当,因此紫外光的化学效应最强;
  • (6)伦琴射线(X射线)—— 这部分电磁波谱,
    波长从2×10^-9米到6×10^-12米。伦琴射线(X射线)是电原子的内层电子由一个能态跳至另一个能态时或电子在原子核电场内减速时所发出的;
  • (7)伽马射线——是波长从10^-10~10^-14米的电磁波。这种不可见的电磁波是从原子核内发出来的,放射性物质或原子核反应中常有这种辐射伴随着发出。γ射线的穿透力很强,对生物的破坏力很大。由此看来,激光能量并不算很大,但是它的能量密度很大(因为它的作用范围很小,一般只有一个点),短时间里聚集起大量的能量,用做武器也就可以理解了。

4 激光雷达

4.1 什么是激光雷达

LiDARLight Detection and Ranging),是激光探测和测距的简称,又称光学雷达,另外也称Laser RadarLADARLaser Detection and Ranging) 。

参考
参考

激光雷达的更多介绍

4.2 激光雷达的原理

激光雷达的工作原理:对人畜无害的红外光束Light Pluses发射反射接收来探测物体。能探测的对象:白天或黑夜下的特定物体与车之间的距离。甚至由于反射度的不同,车道线和路面也是可以区分开来的。哪些物体无法探测:光束无法探测到被遮挡的物体。

车用激光雷达工作原理:就是蝙蝠测距用的回波时间Time of Flight,缩写为TOF)测量方法。但要知道光速是每秒30万公里。要区分目标厘米级别的精确距离,那对传输时间测量分辨率必须做到1纳秒。要如此精确的测量时间,因此对应的测量系统的成本就很难降到很低,需要使用巧妙的方法降低测量难度。

是不是觉得很高深难懂?我们直接看动画吧。
image.png

通过旋转的机械镜面测量激光发出和收到回波的时间差,从而确定目标的方位和距离。由于激光雷达主动发射激光,因此受环境光变化的影响小,测距精确。

激光本身具有非常精确的测距能力,其测距精度可达几厘米,而LIDAR系统的精确度除了激光本身因素,还取决于激光GPS惯性测量单元IMU)三者同步等内在因素。随着商用GPS及IMU的发展,通过LIDAR从移动平台上(如在飞机上)获得高精度的数据已经成为可能并被广泛应用

4.3 激光雷达的分类

激光雷达是集激光、全球定位系统(GPS)、和IMU惯性测量装置)三种技术于一身的系统,相比普通雷达,激光雷达具有分辨率高,隐蔽性好、抗干扰能力更强等优势。

image.png

激光雷达分类参考1
激光雷达分类参考2

5 基于激光雷达的3D目标检测开源项目&数据集

基于激光雷达的3D目标检测开源项目&数据集

6 基于激光雷达做目标检测

参考

6.1 基于激光雷达lidar的目标检测大致流程

基于激光雷达的目标检测可以分成三部分:

  • lidar representation:激光雷达点云的特征表达
  • network backbone:用于特征提取的主体结构,可以为renet等
  • detection head:检测网络的输出,包括目标的类别、位置、大小和姿态等

6.2 激光雷达的特征表达方式

根据激光雷达的特征表达方式,可以把目标检测方法分成4种:

  • 基于BEVbird's eye view)的目标检测方法
  • 基于camera view的目标检测方法
  • 基于point-wise feature的目标检测方法
  • 基于融合特征的目标检测方法

image.png

6.3 基于激光雷达的目标检测常见方法

基于激光雷达的目标检测常见方法参考

目录
相关文章
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习的魔法:如何用神经网络解锁数据的奥秘
在人工智能的璀璨星空中,深度学习犹如一颗最亮的星,它以其强大的数据处理能力,改变了我们对世界的认知方式。本文将深入浅出地介绍深度学习的核心概念、工作原理及其在不同领域的应用实例,让读者能够理解并欣赏到深度学习技术背后的奇妙和强大之处。
20 3
|
11天前
|
机器学习/深度学习 监控 自动驾驶
深度学习中的2D目标检测
2D目标检测是深度学习中的一个关键任务,旨在识别图像中的目标对象,并在每个目标对象周围生成一个边界框。该任务在自动驾驶、视频监控、机器人视觉等领域具有广泛应用。
32 5
|
28天前
|
机器学习/深度学习 缓存 数据处理
《零基础实践深度学习》2.3.3 校验数据有效性 基于飞桨Dataset和DataLoader API完成数据处理
这篇文章详细介绍了在深度学习任务中进行数据处理的步骤,包括数据校验、封装数据读取与处理函数、使用飞桨Dataset和DataLoader API完成数据加载,以及数据增强/增广的方法和实践,旨在确保数据的有效性和提高模型训练效果。
|
1月前
|
机器学习/深度学习 传感器 自然语言处理
深度学习的魔法:如何用神经网络解锁数据的秘密
在这个数字信息爆炸的时代,深度学习技术如同一把钥匙,揭开了数据隐藏的层层秘密。本文将深入浅出地探讨深度学习的核心概念、关键技术和实际应用,带领读者领略这一领域的奥秘与魅力。通过生动的比喻和直观的解释,我们将一起走进神经网络的世界,看看这些由数据驱动的“大脑”是如何学习和成长的。无论你是科技爱好者还是行业新手,这篇文章都将为你打开一扇通往未来的大门。
|
22天前
|
机器学习/深度学习 自然语言处理 数据处理
深度学习的数据增强
基于深度学习的数据增强技术旨在通过生成或变换现有数据,来提高模型的泛化能力和鲁棒性。数据增强在图像、文本、语音等各种类型的数据处理中都起着至关重要的作用。
31 1
|
6天前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
17 0
|
1月前
|
机器学习/深度学习 自然语言处理 数据处理
|
1月前
|
机器学习/深度学习 监控 自动驾驶
|
1月前
|
机器学习/深度学习 存储 负载均衡
深度学习之数据并行与模型并行
深度学习的数据并行(Data Parallelism)和模型并行(Model Parallelism)是两种主要的并行化策略,用于加速大规模模型训练。
36 1
|
24天前
|
机器学习/深度学习 算法
数据规范化在深度学习中的重要性
【8月更文挑战第23天】
28 0