Обнаружьте, классифицируйте и отследите транспортные средства при помощи данных об облаке точек лидара, собранных датчиком лидара, смонтированным на автомобиле, оборудованном датчиком. Данные о лидаре, используемые в этом примере, зарегистрированы из управляющего магистралью сценария. В этом примере данные об облаке точек сегментируются, чтобы определить класс объектов с помощью сети PointSeg. Средство отслеживания объединенной вероятностной ассоциации данных (JPDA) с интерактивным фильтром многоуровневой модели используется, чтобы отследить обнаруженные транспортные средства.

Обучите сеть семантической сегментации PointSeg на 3-D организованных данных об облаке точек лидара.

Обучите сеть семантической сегментации SqueezeSegV2 на 3-D организованных данных об облаке точек лидара.

Сгенерируйте код CUDA® MEX для нейронной сети для глубокого обучения для семантической сегментации лидара. Этот пример использует предварительно обученную сеть SqueezeSegV2 [1], которая может сегментировать организованные облака точек лидара, принадлежащие трем классам (фон, автомобиль и грузовик). Для получения информации о методе обучения для сети смотрите, что Сегментация Облака точек Лидара Использует Нейронную сеть для глубокого обучения SqueezeSegV2. Сгенерированный код MEX берет облако точек в качестве входа и выполняет предсказание на облаке точек при помощи объекта DAGNetwork для сети SqueezeSegV2.

Обучите сеть PointPillars для обнаружения объектов в облаках точек.