Обучите сеть PointPillars для обнаружения объектов в облаках точек.

Сгенерируйте CUDA ® MEX для детектора объектов PointPillars с пользовательскими слоями. Для получения дополнительной информации смотрите Лидар 3-D Обнаружение объектов Используя пример PointPillars Deep Learning из Lidar Toolbox™.

Выполните типичные методы увеличения данных, используемые в 3-D рабочих процессов обнаружения объектов с помощью лидарных данных.

Обнаружение полос в лидар облаков точек. Можно использовать значения интенсивности, возвращенные из облаков лидарных точек, для обнаружения полос автомобиля , оборудованного датчиком. Можно дополнительно улучшить обнаружение маршрута с помощью алгоритма аппроксимирования кривыми и отслеживания параметров кривой. Обнаружение лидара маршрута позволяет вам создавать сложные рабочие процессы, такие как помощь по хранению маршрута, предупреждение о выезде из маршрута и адаптивный круиз-контроль для автономного управления автомобилем. Тестовое транспортное средство собирает данные лидара с помощью датчика лидара, установленного на его крыше.

Обнаружение, классификация и отслеживание транспортных средств с помощью лидарных данных облака точек, полученных датчиком лидара, установленным на автомобиль , оборудованный датчиком. Лидарные данные, используемые в этом примере, записываются из сценария движения по шоссе. В этом примере данные облака точек сегментируются, чтобы определить класс объектов с помощью сети PointSeg. Совместный вероятностный трекер ассоциации данных (JPDA) с интерактивным фильтром нескольких моделей используется для отслеживания обнаруженных транспортных средств.

Отследите транспортные средства с помощью измерений от датчика лидара, установленного на верхнюю часть автомобиля , оборудованного датчиком. Датчики Lidar сообщают о измерениях как о облаке точек. Пример иллюстрирует рабочий процесс в MATLAB ® для обработки облака точек и отслеживания объектов. Для версии примера Simulink ® смотрите Track Vehicles Using Lidar Data in Simulink (Sensor Fusion and Tracking Toolbox). Данные лидара, используемые в этом примере, записываются из сценария движения по шоссе. В этом примере вы используете записанные данные для отслеживания транспортных средств с помощью совместного вероятностного трекера (JPDA) и подхода с несколькими моделями (IMM).

Сгенерируйте список дорожек уровня объекта из измерений радара и датчика лидара и далее сплавьте их с помощью схемы слияния уровня дорожки. Вы обрабатываете измерения радара с помощью трекера расширенных объектов и измерения лидара с помощью трекера совместной вероятностной ассоциации данных (JPDA). Вы далее сплавляете эти дорожки с помощью схемы слияния на уровне дорожки. Схемы рабочего процесса показаны ниже.