😏★,°:.☆( ̄▽ ̄)/$:.°★ 😏
这篇文章主要介绍常用激光感知算法学习。
无专精则不能成,无涉猎则不能通。——梁启超
欢迎来到我的博客,一起学习,共同进步。
喜欢的朋友可以关注一下,下次更新不迷路🥞
文章目录
- :smirk:1. 算法介绍
- :blush:2. 常用算法示例
- :satisfied:3. 过滤与聚类算法示例
- :satisfied:3. 融合估计算法示例
😏1. 算法介绍
激光雷达常用的感知算法主要包括以下几种:
1.障碍物检测与分割:这是激光雷达最基础的感知任务之一,通过对激光点云数据进行聚类或分割,将其中代表障碍物的点云提取出来。常见的算法包括基于距离、密度或颜色的聚类算法、地面分割算法等。
2.目标检测与识别:在障碍物检测的基础上,进一步对提取得到的障碍物点云进行目标检测和识别。常用的算法包括基于模型的方法(如基于滤波器或匹配算法)、基于机器学习的方法(如支持向量机、神经网络等)以及深度学习方法(如卷积神经网络)等。
3.运动估计与跟踪:激光雷达可以捕捉到场景中物体的位置信息,在连续的激光帧之间进行物体的运动估计和跟踪。常见的算法包括基于卡尔曼滤波器或扩展卡尔曼滤波器的方法,以及基于最小二乘或图优化的方法等。
4.地图构建与建图:激光雷达可以用于进行环境地图的构建和建图。通过对连续的激光帧进行匹配和配准,将不同位置的点云拼接起来构建环境地图。常用的算法包括建图算法(如粒子滤波器建图、栅格地图构建等)和地图匹配算法(如ICP匹配算法)等。
😊2. 常用算法示例
项目Github地址:https://github.com/hehern/lidar_perception
该仓库实现了激光雷达常见的感知算法,包含地图过滤、点云聚类 、目标追踪,实现了boundingbox框的发布。
😆3. 过滤与聚类算法示例
过滤项目Github地址:https://github.com/walterchenchn/plane_fit_ground_filter
聚类项目Github地址:https://github.com/walterchenchn/euclidean_cluster
该仓库实现3D点云的聚类分割,并基于jsk_rviz_plugins
画框,可以配合plane_fit_ground_filter
地面过滤节点使用。
😆3. 融合估计算法示例
项目Github地址:https://github.com/wjjcdy/Extended-Kalman-Filter
该项目实现激光和毫米波融合,基于卡尔曼滤波估计移动物体的位姿。
以上。