[TOC]
王博Kings：无人驾驶系列知识入门到提高7-高精度地图 V2X HD MAP
CSDN self_drive car_学习笔记–第7课：HD MAP高精地图 & V2X
1. OverView
HD AMP
- 元素信息
- 点云信息
- HD地图 = 元素地图 + 点云地图
HD Map VS Navigation Map
LOCALIZATION
Perception 感知
Planning
Apollo HDMap
SLAM
2. OPENDRIVE 开放协议
制图过程和V2X
3. Cloud Point Mapping
3.1 Lidar & Image
3.2 点云匹配
1）依赖库说明
—-OpenCV3:目前最常用也是用途最广的图像处理依赖库，熟悉基本操作，比如cv::Mat、imread
—-Eigen:C++下最常用的矩阵运算库，类似于Matlab，对矩阵的描述和计算都非常方便，任何计算都是矩阵
—-PCL：Point Cloud Library，点云计算库，方便对点云进行操作和可视化
2）安装方法：
—-Eigen库使用源码拷贝的方式或者apt-get安装
—-Opencv安装可以用ppi源来安装，也可以用源码编译安装
—-在Ubuntu下使用apt-get安装PCL
3）使用说明
代码库：JointMapping
–cmake .
–make
–./joinMap
–pcl_viewer ./map.pcd
3.3 基础概念
- 相机内参
- 相机外参
- 像素坐标系
- 刚体运动
- 坐标系转换
- 旋转坐标
- 平移坐标
- 齐次坐标系，变换矩阵
- 欧拉角
- 四元数
3.4 相机模型
1）相机成像的原理是针孔相机模型：
—-P表示物理世界中的一个点；P’表示成像中模型中的位置；坐标分别为XYZ和X’Y’Z’
—-相似三角形关系：
2）相机内参
将成像坐标P’切换到像素坐标系中，要进行两步转换：缩放和原点平移
假设P’的像素坐标为[u v]T（表示列矩阵），变换坐标就是：
把这个形式切换到齐次坐标系：
这里的K就是我们说的内参矩阵，也就是每个相机需要校准的内参
3）相机外参
注意一下，这里的P是相机坐标系下的位置，而其世界坐标系下的坐标Pw,可以根据旋转平移来得到：
$$
ZP_{w} = K(RP_w + t) = KTP_{w}
$$
—-这里有齐次变换到非齐次坐标的变换
—-因此，相机姿态R，T（t?是不是指的是上面公式的）又称为相机外参
—-外参会随着车辆移动而移动，因此我们高精地图构建过程中就是需要去估计这个外参，同时也是车辆移动轨迹
4）数据结构
–PGM数据格式：Portable Gray Map,最简单的灰度图数据格式，这里我们拿来表示把点云压成平面的深度信息（0-65535），其中0表示没有检测到深度
–png:RGB信息的常用格式
–pose:5组7状态，txt文档，[x y z qx qy qz qw],平移向量和旋转四元数
5）代码示例：
–根据相机内参计算RGB和点云的对应关系
–根据各图相机外参把点云和RGB融合进行图片融合，构成全局地图
【源码是老师的，没有放到云端，下面就是部分截图，仅供参考】
todo
通过该函数，可以获取得到点云图
【下面偷个小懒，截个图算了，哈哈哈】
OpenCV 练习
4. V2X
