原创文章，转载请注明： 转载自慢慢的回味
本文链接地址: Apollo自动驾驶的点云CNN分割
点云分割的主要方法为：1、映射3D点云到2D的索引图上，对每个索引图上的像素点里面的点云进行高度，强度，数量的统计；2、对2D索引图进行CNN推断，从而得到每个像素点倾向的中心点，方向，所属类型的概率等；3、通过SPP引擎集群2D索引图上的像素点；4、对每个集群里的每个像素点求所属类型概率的平均值，从而得到集群所属的类型，点云的范围，中心点，高度等。从而完成了物体的识别。
这儿以单元测试cnn_segmentation_test.cc的测试cnn_segmentation_sequence_test为例来分析Apollo自动驾驶的点云CNN分割。
Content:
CNN分割测试用例
TEST(CNNSegmentationTest, cnn_segmentation_sequence_test) { unsetenv("CYBER_PATH"); unsetenv("MODULE_PATH"); //设置工作目录和配置文件路经 FLAGS_work_root = "/apollo/modules/perception/testdata/" "lidar/lib/segmentation/cnnseg/"; FLAGS_config_manager_path = "../../../../../production/conf"; //实例化一个CNN分割类实例 auto segmentation = std::shared_ptr<cnnsegmentation>(new CNNSegmentation); LidarDetectorOptions options; EXPECT_FALSE(segmentation->Detect(options, nullptr)); LidarFrame frame_data; EXPECT_FALSE(segmentation->Detect(options, &frame_data)); frame_data.cloud = base::PointFCloudPool::Instance().Get(); frame_data.world_cloud = base::PointDCloudPool::Instance().Get(); EXPECT_FALSE(segmentation->Detect(options, &frame_data)); //初始化CNN分割实例，包括参数加载，特征提取初始化，CNN推测初始化。见下面详细注解。 EXPECT_TRUE(segmentation->Init()); EXPECT_TRUE(segmentation->InitClusterAndBackgroundSegmentation()); std::string pcd_path = "/apollo/modules/perception/testdata/lidar/app/data/"; std::vector<std::string> pcd_file_names; common::GetFileList(pcd_path, ".pcd", &pcd_file_names); std::string file_name; std::sort(pcd_file_names.begin(), pcd_file_names.end(), [](const std::string& lhs, const std::string& rhs) { if (lhs.length() < rhs.length()) { return true; } else if (lhs.length() == rhs.length()) { return lhs <= rhs; } else { return false; } }); for (size_t i = 0; i < pcd_file_names.size(); ++i) { std::shared_ptr<lidarframe> frame(new LidarFrame); frame->cloud = base::PointFCloudPool::Instance().Get(); frame->world_cloud = base::PointDCloudPool::Instance().Get(); //加载点云文件，比如这儿为/apollo/modules/perception/testdata/lidar/app/data/0001_00.pcd，可视化的结果如下图 if (!LoadPCDFile(pcd_file_names[i], frame->cloud)) { continue; } frame->world_cloud->resize(frame->cloud->size()); //侦测当前帧中的对象，见下面代码详解 EXPECT_TRUE(segmentation->Detect(options, frame.get())); //打印侦测到的对象信息，见下面代码详解 PrintObjects((frame.get())->segmented_objects); } } </lidarframe></std::string></cnnsegmentation> |
测试用例PCD文件可视化结果
继续阅读“Apollo自动驾驶的点云CNN分割”本作品采用知识共享署名 4.0 国际许可协议进行许可。
为曲线K在点P处的切向量，即质点再P处的运动方向；
为K在P处的法向量，垂直于质点运动方向
为曲线K在P处的副法向量，且同时垂直于
![\[ \begin{Bmatrix} \frac{d\vec{T}}{ds}= & \kappa\vec{N} \\ \frac{d\vec{N}}{ds}= & -\kappa\vec{T}+\tau\vec{B} \\ \frac{d\vec{B}}{ds}= & -\tau\vec{N} \end{Bmatrix} \]](https://liuxiaofei.com.cn/blog/wp-content/ql-cache/quicklatex.com-d8c6e96d3b90832c0ffe3e7efc0091e6_l3.png "Rendered by QuickLaTeX.com")
表示某一方向向量对弧长s的导数，
为曲率为曲线相对于直线的弯曲程度，当为0时为直线，表述为曲线运动方向的变化关于弧长的导数（
），
为挠率是曲线不能形成在同一平面内运动曲线的度量值，挠率越趋于0，则曲线越趋近于在同一平面内运动。Apollo的运动在大地上，局部路面可看作一个平面，挠率可设定为0，而Frenet公式可简化为：![\[ \begin{Bmatrix} \frac{d\vec{T}}{ds}= & \kappa\vec{N} \\ \frac{d\vec{N}}{ds}= & -\kappa\vec{T} \end{Bmatrix} \right \]](https://liuxiaofei.com.cn/blog/wp-content/ql-cache/quicklatex.com-f2f0d87facdb2f33ec934e85316e6cca_l3.png "Rendered by QuickLaTeX.com")