车内激光雷达怎么设置,汽车可以自己装激光雷达吗

雷达算法的通用状态定义类似。此外，作为3D传感器，激光雷达跟踪器输出三个附加状态，z,{\点z}和H，分别指被跟踪对象的 z 坐标 （m）、z 速度 （m/s） 和高度 （m）。

接下来，将设置一个融合算法，用于融合来自雷达和激光雷达追踪器的轨迹列表。与其他跟踪算法类似，设置轨道级融合算法的第一步是为融合或中心轨道定义状态向量（或状态空间）的选择。在这种情况下，将选择融合轨迹的状态空间与激光雷达相同。选择中央轨道状态空间后，定义中央轨道状态到本地轨道状态的转换。在这种情况下，局部轨迹状态空间是指雷达和激光雷达轨迹的状态。为此，请使用热熔器源配置对象。

定义雷达源的配置。输出轨道设置为 1。作为每个跟踪器上的属性提供，以唯一标识它，并允许融合算法区分来自不同来源的跟踪。因此，可以设置雷达配置的属性与雷达轨迹的属性相同。设置为 允许该未分配的雷达轨迹启动新的中心轨迹。接下来，定义中心状态空间中的轨迹到雷达状态空间的转换，反之亦然。帮助程序函数并执行两个转换，并包含在此示例的末尾。

定义激光雷达源的配置。由于激光雷达轨迹的状态空间与中心轨迹相同，因此无需定义任何变换。下一步是定义状态融合算法。状态融合算法将中心状态空间中的多个状态和状态协方差作为输入，并返回状态和协方差的融合估计值。在此示例中，将使用由帮助器函数提供的协方差交集算法。两个均值高斯估计值的通用协方差交集算法xi和协方差Pi可以根据以下等式进行定义：

xf和Pf是融合状态和协方差，以及w1和w2是每个估计值的混合系数。通常，这些混合系数是通过最小化熔融协方差的行列式或迹线来估计的。在此示例中，混合权重是通过最小化每个估计的位置协方差行列式来估计的。此外，由于雷达不估计3D状态，因此3D状态仅与激光雷达融合。接下来，使用对象组合所有信息。

在此示例中，将使用广义最佳子模式分配指标 （GOSPA） 指标评估每个算法的性能。可以使用跟踪GOSPAMetric 为每个跟踪器设置三个单独的指标。GOSPA 指标旨在通过提供标量成本来评估跟踪系统的性能。指标值越低，表示跟踪算法的性能越好。若要将 GOSPA 指标与自定义运动模型（如本示例中使用的模型）结合使用，请将属性设置为“自定义”，并定义轨迹与其关联的地面实况之间的距离函数。

此示例的可视化是使用帮助程序类 实现的。显示器分为4个面板。显示屏绘制了每个传感器的测量值和轨迹，以及融合轨迹估计值。显示的图例如下所示。此外，曲目通过其唯一标识以及前缀进行注释。前缀“R”、“L”和“F”分别代表雷达、激光雷达和融合估计。

接下来，推进方案，从所有传感器生成合成数据，并对其进行处理以从每个系统生成跟踪。还可以使用方案中提供的基本事实来计算每个跟踪器的衡量指标。

使用可视化和定量指标评估每个跟踪器的性能。分析场景中的不同事件，并了解轨道级融合方案如何帮助更好地估计车辆状态。

下面的动画显示了每三个时间步的整个运行过程。请注意，三种跟踪系统（雷达、激光雷达和轨道级融合）中的每一个都能够跟踪场景中的所有四辆车，并且没有确认任何错误的轨迹。

还可以使用 GOSPA 指标的“未命中目标”和“错误跟踪”组件来定量衡量性能的这一方面。请注意，在下图中，由于建立延迟，未命中的目标组件从较高的值开始，并且对于每个跟踪系统，在大约5-10个步骤中下降到零。另请注意，所有系统的假轨道组件均为零，这表示未确认任何错误轨道。