训练点云中目标检测的点柱网络。

为具有自定义图层的PointPillars对象检测器生成CUDA®MEX。有关更多信息，请参见“激光雷达工具箱”中的“使用点柱深度学习的激光雷达三维目标检测”示例™.

使用激光雷达数据执行三维目标检测工作流中使用的典型数据增强技术。

检测激光雷达点云中的车道。可以使用激光雷达点云返回的强度值来检测车辆车道。通过使用曲线拟合算法和跟踪曲线参数，可以进一步改进车道检测。激光雷达车道检测使您能够构建复杂的工作流，如车道保持辅助、车道偏离警告和自适应巡航控制，以实现自动驾驶。测试车辆使用安装在车顶上的激光雷达传感器收集激光雷达数据。

通过使用安装在ego车辆上的激光雷达传感器捕获的激光雷达点云数据来检测、分类和跟踪车辆。本例中使用的激光雷达数据是从公路驾驶场景中记录的。在本例中，使用PointSeg网络分割点云数据以确定对象类别。采用带有交互式多模型滤波器的联合概率数据关联（JPDA）跟踪器对检测到的车辆进行跟踪。

使用安装在ego车辆顶部的激光雷达传感器的测量值跟踪车辆。激光雷达传感器将测量值报告为点云。该示例说明了MATLAB®中处理点云和跟踪对象的工作流。有关该示例的Simulink®版本，请参阅Simulink中使用激光雷达数据跟踪车辆（传感器融合和跟踪工具箱）。本例中使用的激光雷达数据是从公路驾驶场景中记录的。在本例中，您使用记录的数据通过联合概率数据关联（JPDA）跟踪器和交互多模型（IMM）方法跟踪车辆。万博1manbetx

根据雷达和激光雷达传感器的测量结果生成目标级轨迹列表，并使用轨迹级融合方案对其进行进一步融合。使用扩展对象跟踪器处理雷达测量，使用联合概率数据关联（JPDA）跟踪器处理激光雷达测量。使用轨迹级融合方案进一步融合这些轨迹。工作流程示意图如下所示。