VIP9

本课程属于：051-4D毫米波雷达感知与目标跟踪 智能汽车与新能源汽车工程 · 共 9 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

毫米波雷达与激光雷达融合感知

📚 共计 30 章节

课程导论：为什么需要融合？

毫米波雷达与激光雷达优劣势对比，融合感知行业现状与未来趋势。

毫米波雷达基础

FMCW工作原理，距离-多普勒-角度信号处理，点云特性与噪声分析。

激光雷达基础

ToF/三角法原理，点云数据结构，线数、FOV、精度等性能指标。

传感器标定基础

为什么要标定？内参外参核心目标，常用标定工具介绍。

激光雷达内参标定

坐标系定义、内参模型、基于标定板的点云畸变矫正。

毫米波雷达内参标定

雷达坐标系定义、安装角度偏差标定、速度标定方法。

激光雷达与毫米波雷达联合标定

求解旋转平移矩阵，基于点云与散射点的匹配方法。

联合标定外参

联合标定实战

使用lidar_align等开源工具，结果验证与精度评估。

硬触发vs软触发，时间戳对齐（插值/最近邻），延迟补偿。

雷达点云投影到激光雷达坐标系，外参矩阵坐标变换。

空间坐标变换

数据预处理

LiDAR点云滤波（体素/直通/半径），雷达点云滤波（RCS/速度/距离）。

滤波预处理

目标检测基础

传统方法 vs 深度学习，mAP、召回率、精度等评价指标。

基于激光雷达的目标检测

PointPillars算法原理，从点云到鸟瞰图的转换。

PointPillarsBEV

基于毫米波雷达的目标检测

DBSCAN聚类，基于多普勒速度的静态/动态分类。

DBSCAN多普勒

融合策略概述

前融合(数据层)、中融合(特征层)、后融合(目标层)优缺点对比。

后融合实战

匈牙利算法目标关联，卡尔曼滤波跟踪与状态估计。

后融合卡尔曼

中融合实战

雷达特征(RCS/速度)编码到LiDAR点云，PointNet++特征融合。

中融合PointNet++

前融合实战

点云拼接成统一点云，VoxelNet端到端检测。

前融合VoxelNet

目标跟踪基础

卡尔曼滤波预测-更新，状态向量设计(位置/速度/加速度)。

跟踪卡尔曼

多目标跟踪

SORT/DeepSORT算法，ID分配与轨迹管理。

融合感知中的不确定性处理

置信度评估，基于协方差矩阵的融合权重分配。

不确定性协方差

场景案例1：高速公路

远距离目标检测，雷达弥补激光雷达雨雾衰减。

高速远距离

场景案例2：城市十字路口

遮挡场景检测，雷达多路径效应检测被遮挡车辆。

场景案例3：停车场

静态障碍物检测，激光雷达高精度轮廓，雷达速度信息。

停车场静态

融合vs单一传感器对比，KITTI数据集评测。

工程化部署

模型量化压缩，TensorRT加速，NVIDIA Orin部署经验。

常见问题与调试

标定误差、时间戳不同步鬼影、雷达多径干扰滤除。

4D成像雷达+激光雷达融合，基于Transformer端到端模型。

前沿Transformer

融合感知核心要点回顾，从理论到工程最佳实践路径。

综合实战项目

基于nuScenes搭建完整融合感知系统，输出检测与可视化。