百度Apollo：激光雷达检测技术深度解析

在这里插入图片描述

🎬 鸽芷咕：个人主页
🔥 个人专栏:《linux深造日志》《粉丝福利》

⛺️生活的理想，就是为了理想的生活!

⛳️ 粉丝福利活动

✅参与方式：通过连接报名观看课程，即可免费获取精美周边
⛳️活动链接：《自动驾驶新人之旅》
📆 活动时间长期有效 | 课程姓名填写 鸽芷咕 学号 1111

完成后加博主微信填写问卷领取礼品，也可根据《活动步骤》完成领取

🔥 注：可以拉取进度条观看，超过%50即可领取百度周边
在这里插入图片描述

⛳️ 文章末尾扫码加入粉丝群，不定期发放粉丝福利，各种专业书籍免费赠送！

文章目录

⛳️ 粉丝福利活动
引入
一、激光雷达在自动驾驶中的角色
二、激光雷达的配置文件
- 2.1 配置文件
三、激光雷达追踪
- 3.1 配置文件
四、Apollo激光雷达的应用
- 4.1 数据融合
- 4.2 障碍物检测
- 4.3 实时地图构建
- 4.4 激光雷达技术的挑战和创新
未来展望

引入

在自动驾驶技术的飞速发展中，感知系统的关键组件之一是激光雷达。百度Apollo平台作为领先的自动驾驶解决方案之一，其激光雷达检测技术在实现高精度环境感知方面发挥着关键作用。

一、激光雷达在自动驾驶中的角色

激光雷达（LiDAR）是一种通过发射激光束并测量其返回时间来感知周围环境的传感器。在自动驾驶中，激光雷达的角色不可忽视，因为它提供了高精度的三维空间信息，用于检测障碍物、构建地图以及进行定位。
在这里插入图片描述

二、激光雷达的配置文件

激光雷达检测用于 3D 目标检测，它的输入是激光雷达点云，输出为检测到的物体的类型和坐标，具体的实现在lidar_detection_component中。它的流水线配置文件在

modules/perception/pipeline/config/lidar_detection_pipeline.pb.txt 中

一共分为 7 个阶段，其 POINTCLOUD_DETECTION_PREPROCESSOR，POINTCLOUD_DETECTION_POSTPROCESSOR，OBJECT_FILTER_BANK 各包含 1 个

在这里插入图片描述

2.1 配置文件

和上图对应，lidar_detection_component组件一共分为 7 个阶段，具体的流水线配置如下。


pipeline_type: LIDAR_DETECTION

stage_type: POINTCLOUD_PREPROCESSOR
stage_type: POINTCLOUD_DETECTION_PREPROCESSOR
stage_type: MAP_MANAGER
stage_type: POINT_PILLARS_DETECTION
stage_type: POINTCLOUD_DETECTION_POSTPROCESSOR
stage_type: OBJECT_BUILDER
stage_type: OBJECT_FILTER_BANK

stage_config: {
  stage_type: POINTCLOUD_PREPROCESSOR
  enabled: true

  pointcloud_preprocessor_config: {
    filter_naninf_points: false
    filter_nearby_box_points: false
    box_forward_x: 2.0
    box_backward_x: -2.0
    box_forward_y: 2.0
    box_backward_y: -2.0
    filter_high_z_points: false
    z_threshold: 5.0
  }
}

stage_config: {
  stage_type: POINTCLOUD_DETECTION_PREPROCESSOR
  enabled: true

  plugin_config: {
    plugin_type: POINTCLOUD_DOWN_SAMPLE
    enabled: true

    pointcloud_downsample_config: {
      enable_downsample_pointcloud : true
      enable_downsample_beams : true
      x_min_range : -74.88
      x_max_range : 74.88
      y_min_range : -74.88
      y_max_range : 74.88
      z_min_range : -2.0
      z_max_range : 4.0
    }
  }

  pointcloud_detection_preprocessor_config:{

  }
}

stage_config: {
  stage_type: MAP_MANAGER
  enabled: true

  map_manager_config: {
    update_pose: false
    roi_search_distance: 120.0
  }
}

stage_config: {
  stage_type: POINT_PILLARS_DETECTION
  enabled: true

  point_pillars_detection_config: {

  }
}

stage_config: {
  stage_type: POINTCLOUD_DETECTION_POSTPROCESSOR
  enabled: true

  plugin_config: {
    plugin_type: POINTCLOUD_GET_OBJECTS
    enabled: true

    pointcloud_get_objects_config:{

    }
  }
}

stage_config: {
  stage_type: OBJECT_BUILDER
  enabled: true

  object_builder_config: {

  }
}

stage_config: {
  stage_type: OBJECT_FILTER_BANK
  enabled: true

  plugin_config: {
    plugin_type: ROI_BOUNDARY_FILTER
    enabled: true

    roi_boundary_filter_config: {
      distance_to_boundary_threshold: -1.0
      confidence_threshold: 0.5
      cross_roi_threshold: 0.6
      inside_threshold: 1.0
    }
  }

  object_filter_bank_config: {

  }
}

lidar_detection_config: {

}

三、激光雷达追踪

激光雷达追踪是一种使用激光雷达（LIDAR）技术来检测、跟踪和预测物体运动的过程。它通常涉及到对激光雷达数据的处理和分析，以确定物体的位置、速度和轨迹。

而在apollo 里面激光雷达跟踪用于追踪上面检测到的 3D 目标对象，它的输入是激光雷达点云检测结果，输出为跟踪到对象的 ID，具体的实现在 lidar_tracking_component 中。

它的流水线配置文件在 modules/perception/pipeline/config/lidar_tracking_pipeline.pb.txt 中，一共分为 2 个阶段，每个阶段各包含 2 个算法插件。

在这里插入图片描述

3.1 配置文件


stage_type: MLF_ENGINE
stage_type: FUSED_CLASSIFIER


stage_config: {
  stage_type: MLF_ENGINE
  enabled: true

  plugin_config: {
    plugin_type: MLF_TRACK_OBJECT_MATCHER
    enabled: true

    mlf_track_object_matcher_config: {
      foreground_mathcer_method: "MultiHmBipartiteGraphMatcher"
      background_matcher_method: "GnnBipartiteGraphMatcher"
      bound_value: 100
      max_match_distance: 4.0
    }
  }

  plugin_config: {
    plugin_type: MLF_TRACKER
    enabled: true

    mlf_tracker_config: {
      filter_name: "MlfShapeFilter"
      filter_name: "MlfMotionFilter"
    }
  }

  mlf_engine_config: {
    main_sensor: "velodyne128"
    use_histogram_for_match: true
    histogram_bin_size: 10
    output_predict_objects: false
    reserved_invisible_time: 0.3
    use_frame_timestamp: true
  }
}

stage_config: {
  stage_type: FUSED_CLASSIFIER
  enabled: true

  plugin_config: {
    plugin_type: CCRF_ONESHOT_TYPE_FUSION
    enabled: true

    ccrf_type_fusion_config: {
      classifiers_property_file_path: "./data/perception/lidar/models/fused_classifier/classifiers.property"
      transition_property_file_path: "./data/perception/lidar/models/fused_classifier/transition.property"
      transition_matrix_alpha: 1.8
    }
  }

  plugin_config: {
    plugin_type: CCRF_SEQUENCE_TYPE_FUSION
    enabled: true

    ccrf_type_fusion_config: {
      classifiers_property_file_path: "./data/perception/lidar/models/fused_classifier/classifiers.property"
      transition_property_file_path: "./data/perception/lidar/models/fused_classifier/transition.property"
      transition_matrix_alpha: 1.8
    }
  }

  fused_classifier_config {
    one_shot_fusion_method: "CCRFOneShotTypeFusion"
    sequence_fusion_method: "CCRFSequenceTypeFusion"
    enable_temporal_fusion: true
    temporal_window: 20.0
    use_tracked_objects: true
  }
}