百度Apollo(二)：障碍物感知模块

Apollo感知模块具有识别障碍物和交通灯的能力。
其中，Apollo解决的障碍物感知问题：
1. 高精地图ROI过滤器（HDMap ROI Filter）
2. 基于卷积神经网络分割（CNN Segmentation）
3. MinBox 障碍物边框构建（MinBox Builder）
4. HM对象跟踪（HM Object Tracker）
其源码在：apollo\modules\perception\obstacle\lidar

高精地图 ROI 过滤器

高精地图 ROI 过滤器处理在ROI(包含路面、路口的可驾驶区域)之外的激光雷达点，去除背景对象，如路边建筑物和树木等，剩余的点云留待后续处理。
主要有以下步骤
1. 坐标转换：使世界坐标系和点云坐标系处于同一相同坐标系下。
2. ROI LUT构造：采用LUT(网格显示查找表)，将ROI量化为俯视图2D网格(8*8的网格，每个网格为70 / 8 = 8.75米，对应于量化后的网格每个网格为25 / 8 = 3.128厘米)。

3. ROI LUT点查询：查询ROI内的点。

基于CNN的障碍物分割

经过高精地图 ROI 过滤器后，检测和划分前景障碍物，例如汽车，卡车，自行车和行人。
主要有以下步骤
1. 通道特征提取：在俯视图2D网格中计算每个单元格的8个统计测量(这里面用到了点云的反射率，也就是单元格的强度)，这8个统计测量则为CNN的输入通道特征。
2. 基于CNN的障碍物预测：使用全卷积神经网络来预测单元格障碍物的属性(center offset(中心偏移)、objectness(对象性，是否有物体)、positiveness(积极性，是否为正目标)、object height(物体高度)、class probability(物体的类别))。

3. 障碍物聚类：使用CNN预测得到的单元格障碍物属性(objectness属性阈值为0.5)生成候选对象集群。

4. 后期处理：Apollo首先对所涉及的单元格的积极性和物体高度值，平均计算每个候选群体的检测置信度分数(默认阈值为0.1)和物体高度。 然后，Apollo去除相对于预测物体高度太高的点(默认为0.5米)，并收集每个候选集中的有效单元格的点。 最后，Apollo删除具有非常低的可信度分数或小点数(小于3个点)的候选聚类，以输出最终的障碍物集/分段。

MinBox障碍物边框构建

使用CNN学习的方法得到的障碍物是由一个个网格组合而成，在这里使用MinBox的方法得到物体的最终边界框。具体方法是任意选择一条边，将其他多边形上的点投影到这条边上，建立具有最大距离的交点对，其具有最大距离的点的集合则为边框的边缘，然后通过迭代所有边，选择最小面积的方案得到最终的边界框。

结论：Apollo通过用点云进行学习得到物体俯视图边界框，结合相机图像进行学习得到的物体边界框，则可得到物体3D的边界框。

HM对象跟踪

HM对象跟踪器跟踪分段检测到的障碍物。通常，它通过将当前检测与现有跟踪列表相关联，来形成和更新跟踪列表，如不再存在，则删除旧的跟踪列表，并在识别出新的检测时生成新的跟踪列表。 更新后的跟踪列表的运动状态将在关联后进行估计。 在HM对象跟踪器中，匈牙利算法(Hungarian algorithm)用于检测到跟踪关联，并采用鲁棒卡尔曼滤波器(Robust Kalman Filter) 进行运动估计。

特别说明：本文为本人学习所做笔记。
具体参考：https://github.com/ApolloAuto/apollo/blob/master/docs/specs/3d_obstacle_perception_cn.md