整体把握

Autoware.universe中激光雷达感知部分的主要流程为：

1. 将原始点云数据输入地面滤波器和深度学习检测算法，分别得到地面滤波后的点云points_no_ground和Object检测框(该检测框内包含中心点、位姿、形状、类别)
2. 将points_no_ground和Object检测框进行匹配。如果匹配成功，则输出Object检测框；如果匹配失败，则舍弃Object检测框
   • 匹配算法的示意图如下面第二幅图所示

各部分阐述

Autoware.universe中激光雷达感知部分的代码相对简单，主要依赖于两部分算法性能，即（1）地面点云是否滤除干净；（2）深度学习算法是否能稳定检测出障碍物信息。这两部分网上有大量的阐述，这里不进行分析。

滤除多余的检测框

• 产生多余检测框的原因

  • 为了使得深度学习算法能够检测出场景内所有的障碍物，往往在实际应用中调低认定为障碍物的置信度。虽然这种做法大幅提升了场景内障碍物被检出的概率，但也同样产生了大量多余的检测框。故要对多余的检测框进行滤除。

• 滤除多余检测框的方法

  • 根据障碍物中心点滤除与车辆距离过远的检测框。获取障碍物的中心点，之后判断中心点（只考虑x、y方向）是否在某个取值范围内。Autoware.universe中，默认取$x\in [0,100],y\in [-50,50]$，即只考虑车前一定范围内的障碍物。核心程序代码如下，参考object_position_filter.cpp

    if (
        position.x > lower_bound_x_ && position.x < upper_bound_x_ && position.y > lower_bound_y_ &&
        position.y < upper_bound_y_) {
        output_object_msg.objects.emplace_back(object);
      }
    

  • 滤除与矢量地图中道路过远的检测框。分别从lantlet2地图和检测框中获取所有的道路信息和检测框的顶点信息，之后计算检测框与道路是否相交。如果相交，则保留该检测框；如果不相交，则去除该检测框。核心程序代码如下，参考object_lanelet_filter.cpp

    for (const auto & road_lanelet : road_lanelets) {
        if (boost::geometry::intersects(convex_hull, road_lanelet.polygon2d().basicPolygon())) {       
          intersected_lanelets.emplace_back(road_lanelet);
        }
      }
    

  • 这两种滤除方法保留下来的检测框为：车前，且距离车道线附近一定距离的障碍物，符合自动驾驶参考的依据。

总结

• 该部分想要输出最终的障碍物信息，必须points_no_ground和深度学习的检测框能够匹配
• 存在两个要求：（1）地面点云滤波效果要好；（2）深度学习要尽可能的检测出场景内所有障碍物。换句话说，要想提升该部分感知性能，需要从这两方面入手。
  （2）深度学习要尽可能的检测出场景内所有障碍物。换句话说，要想提升该部分感知性能，需要从这两方面入手。
• 深度学习的输入为原始点云，这就使得该类算法的推理时间大幅增加，所以如果想替换Autoware.universe中深度学习算法（centerPoint），还应该考虑算法耗时问题。推荐对要替换的深度学习算法进行tensorRT加速。