邺有-CSDN博客

原创带pitch角的单目测距（附C++代码）

yh的获取方式：点的物理世界坐标为(x, y, z, 1)，无穷远点z=∞，同除z，得(x/z, y/z, 1, 1/z) = (x/∞, y/∞, 1, 1/∞) = (0, 0, 1, 0)。假设相机内参为K，外参为[R, t]。由于平行假设，光心对准地面无穷远点，车是贴地的，不会高于地面无穷远点，反应到像素上yb一定比cy大。摄像头P，焦距f，摄像头高度H，和障碍物B、C的距离分别是Z1、Z2。误差结论：640x480分辨率的图像，90m的测距误差比例为10%左右，45m的测距误差比例为5%左右。

2025-05-16 19:00:00 229

原创相机和激光雷达后融合效果展示

跟踪：ByteTrack（激光为自己改造的ByteTrack）检测：相机yolo11n，激光雷达pointpillars。近期，ros2技能++，标定理论++视频上传太麻烦，搬运自己的知乎。

2025-04-25 17:54:39 136 2

原创 Autoware感知融合

子对象（雷达或相机）通常比主导对象（LiDAR）具有更高的频率。表示子跟踪对象用于补充主要对象。通常，主要跟踪对象来自 LiDAR，子跟踪对象来自 Radar 或 Camera。在 decorative_tracker_merger 中，我们假设对象分为两类：主导跟踪对象和子跟踪对象。如果概率>publish_probability_threshold，且上次更新时间<max_dt，则对象发布。如果概率<publish_probability_threshold，且上次更新时间<max_dt，则对象删除。

2025-03-26 18:37:44 800

原创旋转目标GIoU计算原理与C++代码实现

2D目标表示为(x, y, w, h, yaw)。3D目标表示为(x, y, z, w, h, l, yaw)。其中 x,y(,z) 为中心点，yaw为偏航角。xyz方向为右前上，yaw为车头边与x正向夹角，取值为[-π, π]。

2025-02-12 19:04:42 753

原创 Apollo感知融合（部分）源码解读

文件：modules\perception\multi_sensor_fusion\multi_sensor_fusion_component.cc。激光雷达（lidar）、毫米波雷达（radar）、相机（camera）均有各自的检测、过滤和跟踪模块。各传感器处理结果统一交给融合模块（multi_sensor_fusion）处理，再进行后续预测和规划。猜想：背景目标只从激光雷达中获取，因此track_id是一致的，都是激光雷达跟踪的id。(一帧目标的集合) → SensorFrame (指定传感器) →。

2025-01-24 10:41:02 823

原创 Mac环境下jupyter notebook导出为pdf（含中文解决方案）

第一步安装pandoc（https://github.com/jgm/pandoc/releases/tag/2.5）和MacTex（https://tug.org/mactex/），MacTex会比较大，大概3G左右。ps. 有一些教程让下载BisicTex（MacTex的精简版本），但后续要自己安装很多内容，可能安装以后还会缺失很多文件。建议直接下载MacTex，用空间换取时间。第二步...

2018-12-23 09:48:47 5644

原创 XGBoost相关知识、理论与重要参数

先导知识1. 决策树举个粗糙一点的例子：给你一堆人的某些特征，如“性别”、“年龄”、“收入”等，然后让你预测这个人是否能购买得起一台车。那么决策树就是挑一个特征，把所有样本按这个特征分为几拨，每拨样本根据一个规则为它们打一个标签作为输出。比如将所有样本按“性别”分为“男”和“女”，将所有性别是“男”的人放在一个叶子结点上，所有性别是“女”的人放在一个叶子结点上，“男”的叶子结点的输出结果就...

2018-10-23 10:27:45 519

Double___You的博客