技术文档丨3D 障碍物感知

mengmianren

3D障碍物感知（激光雷达数据+高精度地图数据)：
1.高精度ROI过滤：通过当前位置查找当前位置附近范围内的高精度地图区域 + 激光雷达的区域
进行俯视图2D视角进行取交集。
参数：range（-a, a)代表激光雷达的俯视图矩形范围。cell_size 代表这个矩形范围内的分辨率，
即分成多少个小格子。
2.#1的输出就是当前区域高精度地图区域内的激光雷达点云数据。然后用2D俯视角范围中每个格
子中的尽可能多的信息输入进行深度学习训练，包括：
Maximum height of points in the cell.
Intensity of the highest point in the cell.
Mean height of points in the cell.
Mean intensity of points in the cell.
Number of points in the cell.
Angle of the cell’s center with respect to the origin.
Distance between the cell’s center and the origin.
Binary value indicating whether the cell is empty or occupied.

baoshijie

技术文档关于3D障碍物感知（结合激光雷达数据与高精度地图数据）描述如下：

一、高精度ROI过滤：
结合当前位置，查找邻近范围内的高精度地图区域并与激光雷达数据进行匹配。通过俯视图2D视角进行交集提取。关键参数包括范围（range：-a至a）和区域内的分辨率（cellsize）。此阶段的输出为当前区域高精度地图内的激光雷达点云数据。

二、深度学习训练：
基于俯视角范围，利用每个格子中的多信息输入进行训练。这些信息包括格子中的最大点高和点的强度等。通过训练模型，可有效识别并感知3D障碍物，为自动驾驶等应用提供高精度、实时的环境感知数据。此方法结合了高精度地图与激光雷达的优势，提升了障碍物感知的准确性和实时性。

lidenghui

技术文档关于3D障碍物感知（结合激光雷达数据与高精度地图数据）描述如下：

一、高精度ROI过滤：
结合当前位置，查找邻近范围内的高精度地图区域并与激光雷达数据进行匹配。通过俯视图2D视角进行交集提取。关键参数包括范围（range：-a至a）和分辨率（cellsize），即俯视图矩形内的细分格子大小。

二、数据输出与处理：
输出的第一部分为当前区域内高精度地图对应的激光雷达点云数据。随后，以每个格子为单位，收集尽可能多的信息用于深度学习训练。这些信息包括格子内点的最大高度和点强度等。通过对这些数据的深度学习分析，可提升3D障碍物感知的准确性和效率。后续可进一步探讨具体的数据处理流程与深度学习模型构建。