Python实战CARLA传感器全解析与代码实现1. 环境准备与基础配置在开始探索CARLA传感器的奇妙世界之前我们需要先搭建好开发环境。CARLA是一个开源的自动驾驶仿真平台基于Unreal Engine构建提供了高度逼真的城市环境和丰富的传感器模型。首先确保你已经完成以下准备工作安装CARLA 0.9.13或更高版本配置Python 3.7环境安装必要的Python包numpy,opencv-python,matplotlib# 基础环境检查代码 import sys import carla import numpy as np import cv2 print(Python版本:, sys.version) print(CARLA版本:, carla.__version__) print(OpenCV版本:, cv2.__version__)提示CARLA对硬件要求较高建议使用NVIDIA显卡并安装最新驱动。在Linux系统上运行性能通常优于Windows。2. 视觉传感器实战2.1 RGB相机配置与图像处理RGB相机是最基础的视觉传感器它能捕捉环境的彩色图像。让我们看看如何在CARLA中设置和使用RGB相机。def setup_rgb_camera(vehicle, width800, height600, fov90): # 获取蓝图库 blueprint_library world.get_blueprint_library() # 查找RGB相机蓝图 camera_bp blueprint_library.find(sensor.camera.rgb) # 设置相机属性 camera_bp.set_attribute(image_size_x, str(width)) camera_bp.set_attribute(image_size_y, str(height)) camera_bp.set_attribute(fov, str(fov)) # 设置相机位置车前2.5米高0.7米 camera_transform carla.Transform(carla.Location(x2.5, z0.7)) # 生成相机并附加到车辆上 camera world.spawn_actor(camera_bp, camera_transform, attach_tovehicle) return camera def process_image(image): # 将原始数据转换为numpy数组 array np.frombuffer(image.raw_data, dtypenp.uint8) # 重塑为4通道图像 (BGRA) array array.reshape((image.height, image.width, 4)) # 提取RGB通道 (去掉Alpha通道) rgb_image array[:, :, :3] # 转换为BGR格式供OpenCV使用 bgr_image cv2.cvtColor(rgb_image, cv2.COLOR_RGB2BGR) # 显示图像 cv2.imshow(RGB Camera, bgr_image) cv2.waitKey(1)2.2 深度相机与语义分割相机深度相机和语义分割相机提供了更丰富的环境信息。深度相机编码了每个像素到相机的距离而语义分割相机则对场景中的不同物体进行分类标记。def setup_depth_camera(vehicle): camera_bp world.get_blueprint_library().find(sensor.camera.depth) camera_bp.set_attribute(image_size_x, 800) camera_bp.set_attribute(image_size_y, 600) transform carla.Transform(carla.Location(x2.5, z0.7)) camera world.spawn_actor(camera_bp, transform, attach_tovehicle) return camera def process_depth_image(image): # 将深度图像转换为可显示的灰度图 image.convert(carla.ColorConverter.LogarithmicDepth) array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) depth_image array[:, :, :3] cv2.imshow(Depth Camera, depth_image) cv2.waitKey(1) def setup_semantic_camera(vehicle): camera_bp world.get_blueprint_library().find(sensor.camera.semantic_segmentation) camera_bp.set_attribute(image_size_x, 800) camera_bp.set_attribute(image_size_y, 600) transform carla.Transform(carla.Location(x2.5, z0.7)) camera world.spawn_actor(camera_bp, transform, attach_tovehicle) return camera def process_semantic_image(image): # 应用CityScapes调色板转换 image.convert(carla.ColorConverter.CityScapesPalette) array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) semantic_image array[:, :, :3] cv2.imshow(Semantic Camera, semantic_image) cv2.waitKey(1)3. 激光雷达与雷达传感器3.1 激光雷达配置与点云可视化激光雷达(LiDAR)通过发射激光束来测量周围环境的精确三维结构。CARLA中的激光雷达模拟了真实世界中的旋转式激光雷达。def setup_lidar(vehicle, channels32, range50, points_per_second100000): lidar_bp world.get_blueprint_library().find(sensor.lidar.ray_cast) # 设置激光雷达参数 lidar_bp.set_attribute(channels, str(channels)) lidar_bp.set_attribute(range, str(range)) lidar_bp.set_attribute(points_per_second, str(points_per_second)) lidar_bp.set_attribute(rotation_frequency, 10) # 设置安装位置 transform carla.Transform(carla.Location(x0, z2.5)) lidar world.spawn_actor(lidar_bp, transform, attach_tovehicle) return lidar def process_lidar_data(point_cloud): # 将点云数据转换为numpy数组 data np.frombuffer(point_cloud.raw_data, dtypenp.float32) points np.reshape(data, (int(data.shape[0] / 4), 4)) # 提取XYZ坐标和强度 x points[:, 0] y points[:, 1] z points[:, 2] intensity points[:, 3] # 这里可以添加点云可视化代码 # 例如使用matplotlib进行3D可视化3.2 雷达传感器配置与数据分析雷达(Radar)传感器使用无线电波来检测物体的距离和速度特别适合运动物体检测。def setup_radar(vehicle): radar_bp world.get_blueprint_library().find(sensor.other.radar) # 设置雷达参数 radar_bp.set_attribute(horizontal_fov, 30) radar_bp.set_attribute(vertical_fov, 30) radar_bp.set_attribute(range, 50) radar_bp.set_attribute(points_per_second, 1500) # 设置安装位置 transform carla.Transform(carla.Location(x2.5, z0.7)) radar world.spawn_actor(radar_bp, transform, attach_tovehicle) return radar def process_radar_data(radar_data): # 解析雷达数据 points np.frombuffer(radar_data.raw_data, dtypenp.float32) points np.reshape(points, (len(radar_data), 4)) # 提取速度、方位角、高度角和距离 velocity points[:, 0] # 朝向传感器的速度 (m/s) azimuth points[:, 1] # 方位角 (弧度) altitude points[:, 2] # 高度角 (弧度) depth points[:, 3] # 距离 (米) # 转换为笛卡尔坐标 x depth * np.cos(altitude) * np.sin(azimuth) y depth * np.cos(altitude) * np.cos(azimuth) z depth * np.sin(altitude) # 这里可以添加雷达数据可视化代码4. 其他实用传感器4.1 IMU与GNSS传感器惯性测量单元(IMU)和全球导航卫星系统(GNSS)传感器对于车辆定位和导航至关重要。def setup_imu(vehicle): imu_bp world.get_blueprint_library().find(sensor.other.imu) imu world.spawn_actor(imu_bp, carla.Transform(), attach_tovehicle) return imu def process_imu_data(imu_data): # 获取加速度、角速度和罗盘方向 acceleration imu_data.accelerometer # m/s² gyroscope imu_data.gyroscope # rad/s compass imu_data.compass # 弧度 print(f加速度: {acceleration}) print(f角速度: {gyroscope}) print(f罗盘方向: {np.degrees(compass)}°) def setup_gnss(vehicle): gnss_bp world.get_blueprint_library().find(sensor.other.gnss) gnss world.spawn_actor(gnss_bp, carla.Transform(), attach_tovehicle) return gnss def process_gnss_data(gnss_data): latitude gnss_data.latitude # 纬度 longitude gnss_data.longitude # 经度 altitude gnss_data.altitude # 海拔 print(f位置: 纬度 {latitude}, 经度 {longitude}, 海拔 {altitude}m)4.2 碰撞与车道入侵检测CARLA还提供了几种事件驱动的传感器用于检测特定的驾驶情况。def setup_collision_sensor(vehicle): collision_bp world.get_blueprint_library().find(sensor.other.collision) collision world.spawn_actor(collision_bp, carla.Transform(), attach_tovehicle) return collision def process_collision_data(collision_data): actor collision_data.actor # 传感器附加的车辆 other_actor collision_data.other_actor # 碰撞的另一方 impulse collision_data.normal_impulse # 碰撞冲量 print(f碰撞检测: 与 {other_actor.type_id} 发生碰撞, 冲量 {impulse}) def setup_lane_invasion_sensor(vehicle): lane_bp world.get_blueprint_library().find(sensor.other.lane_invasion) lane world.spawn_actor(lane_bp, carla.Transform(), attach_tovehicle) return lane def process_lane_invasion_data(lane_data): crossed_markings lane_data.crossed_lane_markings print(f车道入侵: 跨越了 {len(crossed_markings)} 条车道线)5. 传感器数据融合与高级应用5.1 多传感器时间同步在实际应用中我们经常需要同时使用多个传感器并确保它们的数据在时间上是同步的。def setup_synchronized_sensors(vehicle): # 创建传感器组 sensors [] # 设置RGB相机 rgb_camera setup_rgb_camera(vehicle) sensors.append(rgb_camera) # 设置深度相机 depth_camera setup_depth_camera(vehicle) sensors.append(depth_camera) # 设置激光雷达 lidar setup_lidar(vehicle) sensors.append(lidar) # 设置IMU imu setup_imu(vehicle) sensors.append(imu) return sensors def process_synchronized_data(rgb_image, depth_image, lidar_data, imu_data): # 这里可以实现传感器数据融合算法 # 例如将深度图像与RGB图像对齐 # 或将激光雷达点云投影到相机图像上 # 简单的示例显示时间戳 print(fRGB时间戳: {rgb_image.timestamp}) print(f深度时间戳: {depth_image.timestamp}) print(f激光雷达时间戳: {lidar_data.timestamp}) print(fIMU时间戳: {imu_data.timestamp})5.2 传感器数据记录与回放对于自动驾驶算法的开发和测试记录和回放传感器数据是非常有用的功能。class SensorRecorder: def __init__(self): self.rgb_frames [] self.depth_frames [] self.lidar_frames [] self.imu_readings [] def record_rgb(self, image): array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) self.rgb_frames.append(array[:, :, :3]) def record_depth(self, image): image.convert(carla.ColorConverter.LogarithmicDepth) array np.frombuffer(image.raw_data, dtypenp.uint8) self.depth_frames.append(array.reshape((image.height, image.width, 4))[:, :, :3]) def record_lidar(self, point_cloud): data np.frombuffer(point_cloud.raw_data, dtypenp.float32) self.lidar_frames.append(np.reshape(data, (int(data.shape[0] / 4), 4))) def record_imu(self, imu_data): self.imu_readings.append({ acceleration: imu_data.accelerometer, gyroscope: imu_data.gyroscope, compass: imu_data.compass, timestamp: imu_data.timestamp }) def save_to_disk(self, path): # 将记录的数据保存到磁盘 np.savez_compressed( path, rgb_framesnp.array(self.rgb_frames), depth_framesnp.array(self.depth_frames), lidar_framesnp.array(self.lidar_frames), imu_readingsnp.array(self.imu_readings) )6. 性能优化与实用技巧6.1 传感器配置优化不同的应用场景需要不同的传感器配置。以下是一些优化建议传感器类型关键参数推荐值说明RGB相机分辨率800x600平衡性能与图像质量FOV90°适合大多数场景深度相机分辨率640x480深度计算资源密集激光雷达通道数32平衡点云密度与性能点频100,000适合实时应用雷达水平FOV30°前向检测6.2 常见问题解决性能问题降低传感器分辨率或采样率减少同时激活的传感器数量使用CARLA的异步模式数据同步问题使用CARLA的同步模式在传感器回调中检查时间戳实现自定义的时间同步算法传感器数据异常检查传感器安装位置和方向验证传感器参数设置确保CARLA版本与Python API兼容# 性能优化示例异步数据采集 async def async_sensor_loop(): while True: # 获取传感器数据 rgb_image await rgb_camera.listen() lidar_data await lidar.listen() # 处理数据 process_data(rgb_image, lidar_data) # 控制循环频率 await asyncio.sleep(0.1)6.3 传感器数据可视化有效的可视化可以帮助理解传感器数据。以下是一些可视化技巧RGB图像使用OpenCV直接显示深度图像应用颜色映射增强可读性激光雷达点云使用matplotlib或专门的3D可视化工具雷达数据绘制极坐标图显示检测目标def visualize_lidar(points): import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig plt.figure(figsize(10, 8)) ax fig.add_subplot(111, projection3d) # 提取XYZ坐标 x points[:, 0] y points[:, 1] z points[:, 2] # 绘制点云 ax.scatter(x, y, z, s1, cz, cmapviridis) # 设置坐标轴标签 ax.set_xlabel(X (m)) ax.set_ylabel(Y (m)) ax.set_zlabel(Z (m)) plt.title(LiDAR Point Cloud) plt.show()
保姆级教程：用Python玩转CARLA传感器，从RGB相机到激光雷达的完整代码实战
Python实战CARLA传感器全解析与代码实现1. 环境准备与基础配置在开始探索CARLA传感器的奇妙世界之前我们需要先搭建好开发环境。CARLA是一个开源的自动驾驶仿真平台基于Unreal Engine构建提供了高度逼真的城市环境和丰富的传感器模型。首先确保你已经完成以下准备工作安装CARLA 0.9.13或更高版本配置Python 3.7环境安装必要的Python包numpy,opencv-python,matplotlib# 基础环境检查代码 import sys import carla import numpy as np import cv2 print(Python版本:, sys.version) print(CARLA版本:, carla.__version__) print(OpenCV版本:, cv2.__version__)提示CARLA对硬件要求较高建议使用NVIDIA显卡并安装最新驱动。在Linux系统上运行性能通常优于Windows。2. 视觉传感器实战2.1 RGB相机配置与图像处理RGB相机是最基础的视觉传感器它能捕捉环境的彩色图像。让我们看看如何在CARLA中设置和使用RGB相机。def setup_rgb_camera(vehicle, width800, height600, fov90): # 获取蓝图库 blueprint_library world.get_blueprint_library() # 查找RGB相机蓝图 camera_bp blueprint_library.find(sensor.camera.rgb) # 设置相机属性 camera_bp.set_attribute(image_size_x, str(width)) camera_bp.set_attribute(image_size_y, str(height)) camera_bp.set_attribute(fov, str(fov)) # 设置相机位置车前2.5米高0.7米 camera_transform carla.Transform(carla.Location(x2.5, z0.7)) # 生成相机并附加到车辆上 camera world.spawn_actor(camera_bp, camera_transform, attach_tovehicle) return camera def process_image(image): # 将原始数据转换为numpy数组 array np.frombuffer(image.raw_data, dtypenp.uint8) # 重塑为4通道图像 (BGRA) array array.reshape((image.height, image.width, 4)) # 提取RGB通道 (去掉Alpha通道) rgb_image array[:, :, :3] # 转换为BGR格式供OpenCV使用 bgr_image cv2.cvtColor(rgb_image, cv2.COLOR_RGB2BGR) # 显示图像 cv2.imshow(RGB Camera, bgr_image) cv2.waitKey(1)2.2 深度相机与语义分割相机深度相机和语义分割相机提供了更丰富的环境信息。深度相机编码了每个像素到相机的距离而语义分割相机则对场景中的不同物体进行分类标记。def setup_depth_camera(vehicle): camera_bp world.get_blueprint_library().find(sensor.camera.depth) camera_bp.set_attribute(image_size_x, 800) camera_bp.set_attribute(image_size_y, 600) transform carla.Transform(carla.Location(x2.5, z0.7)) camera world.spawn_actor(camera_bp, transform, attach_tovehicle) return camera def process_depth_image(image): # 将深度图像转换为可显示的灰度图 image.convert(carla.ColorConverter.LogarithmicDepth) array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) depth_image array[:, :, :3] cv2.imshow(Depth Camera, depth_image) cv2.waitKey(1) def setup_semantic_camera(vehicle): camera_bp world.get_blueprint_library().find(sensor.camera.semantic_segmentation) camera_bp.set_attribute(image_size_x, 800) camera_bp.set_attribute(image_size_y, 600) transform carla.Transform(carla.Location(x2.5, z0.7)) camera world.spawn_actor(camera_bp, transform, attach_tovehicle) return camera def process_semantic_image(image): # 应用CityScapes调色板转换 image.convert(carla.ColorConverter.CityScapesPalette) array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) semantic_image array[:, :, :3] cv2.imshow(Semantic Camera, semantic_image) cv2.waitKey(1)3. 激光雷达与雷达传感器3.1 激光雷达配置与点云可视化激光雷达(LiDAR)通过发射激光束来测量周围环境的精确三维结构。CARLA中的激光雷达模拟了真实世界中的旋转式激光雷达。def setup_lidar(vehicle, channels32, range50, points_per_second100000): lidar_bp world.get_blueprint_library().find(sensor.lidar.ray_cast) # 设置激光雷达参数 lidar_bp.set_attribute(channels, str(channels)) lidar_bp.set_attribute(range, str(range)) lidar_bp.set_attribute(points_per_second, str(points_per_second)) lidar_bp.set_attribute(rotation_frequency, 10) # 设置安装位置 transform carla.Transform(carla.Location(x0, z2.5)) lidar world.spawn_actor(lidar_bp, transform, attach_tovehicle) return lidar def process_lidar_data(point_cloud): # 将点云数据转换为numpy数组 data np.frombuffer(point_cloud.raw_data, dtypenp.float32) points np.reshape(data, (int(data.shape[0] / 4), 4)) # 提取XYZ坐标和强度 x points[:, 0] y points[:, 1] z points[:, 2] intensity points[:, 3] # 这里可以添加点云可视化代码 # 例如使用matplotlib进行3D可视化3.2 雷达传感器配置与数据分析雷达(Radar)传感器使用无线电波来检测物体的距离和速度特别适合运动物体检测。def setup_radar(vehicle): radar_bp world.get_blueprint_library().find(sensor.other.radar) # 设置雷达参数 radar_bp.set_attribute(horizontal_fov, 30) radar_bp.set_attribute(vertical_fov, 30) radar_bp.set_attribute(range, 50) radar_bp.set_attribute(points_per_second, 1500) # 设置安装位置 transform carla.Transform(carla.Location(x2.5, z0.7)) radar world.spawn_actor(radar_bp, transform, attach_tovehicle) return radar def process_radar_data(radar_data): # 解析雷达数据 points np.frombuffer(radar_data.raw_data, dtypenp.float32) points np.reshape(points, (len(radar_data), 4)) # 提取速度、方位角、高度角和距离 velocity points[:, 0] # 朝向传感器的速度 (m/s) azimuth points[:, 1] # 方位角 (弧度) altitude points[:, 2] # 高度角 (弧度) depth points[:, 3] # 距离 (米) # 转换为笛卡尔坐标 x depth * np.cos(altitude) * np.sin(azimuth) y depth * np.cos(altitude) * np.cos(azimuth) z depth * np.sin(altitude) # 这里可以添加雷达数据可视化代码4. 其他实用传感器4.1 IMU与GNSS传感器惯性测量单元(IMU)和全球导航卫星系统(GNSS)传感器对于车辆定位和导航至关重要。def setup_imu(vehicle): imu_bp world.get_blueprint_library().find(sensor.other.imu) imu world.spawn_actor(imu_bp, carla.Transform(), attach_tovehicle) return imu def process_imu_data(imu_data): # 获取加速度、角速度和罗盘方向 acceleration imu_data.accelerometer # m/s² gyroscope imu_data.gyroscope # rad/s compass imu_data.compass # 弧度 print(f加速度: {acceleration}) print(f角速度: {gyroscope}) print(f罗盘方向: {np.degrees(compass)}°) def setup_gnss(vehicle): gnss_bp world.get_blueprint_library().find(sensor.other.gnss) gnss world.spawn_actor(gnss_bp, carla.Transform(), attach_tovehicle) return gnss def process_gnss_data(gnss_data): latitude gnss_data.latitude # 纬度 longitude gnss_data.longitude # 经度 altitude gnss_data.altitude # 海拔 print(f位置: 纬度 {latitude}, 经度 {longitude}, 海拔 {altitude}m)4.2 碰撞与车道入侵检测CARLA还提供了几种事件驱动的传感器用于检测特定的驾驶情况。def setup_collision_sensor(vehicle): collision_bp world.get_blueprint_library().find(sensor.other.collision) collision world.spawn_actor(collision_bp, carla.Transform(), attach_tovehicle) return collision def process_collision_data(collision_data): actor collision_data.actor # 传感器附加的车辆 other_actor collision_data.other_actor # 碰撞的另一方 impulse collision_data.normal_impulse # 碰撞冲量 print(f碰撞检测: 与 {other_actor.type_id} 发生碰撞, 冲量 {impulse}) def setup_lane_invasion_sensor(vehicle): lane_bp world.get_blueprint_library().find(sensor.other.lane_invasion) lane world.spawn_actor(lane_bp, carla.Transform(), attach_tovehicle) return lane def process_lane_invasion_data(lane_data): crossed_markings lane_data.crossed_lane_markings print(f车道入侵: 跨越了 {len(crossed_markings)} 条车道线)5. 传感器数据融合与高级应用5.1 多传感器时间同步在实际应用中我们经常需要同时使用多个传感器并确保它们的数据在时间上是同步的。def setup_synchronized_sensors(vehicle): # 创建传感器组 sensors [] # 设置RGB相机 rgb_camera setup_rgb_camera(vehicle) sensors.append(rgb_camera) # 设置深度相机 depth_camera setup_depth_camera(vehicle) sensors.append(depth_camera) # 设置激光雷达 lidar setup_lidar(vehicle) sensors.append(lidar) # 设置IMU imu setup_imu(vehicle) sensors.append(imu) return sensors def process_synchronized_data(rgb_image, depth_image, lidar_data, imu_data): # 这里可以实现传感器数据融合算法 # 例如将深度图像与RGB图像对齐 # 或将激光雷达点云投影到相机图像上 # 简单的示例显示时间戳 print(fRGB时间戳: {rgb_image.timestamp}) print(f深度时间戳: {depth_image.timestamp}) print(f激光雷达时间戳: {lidar_data.timestamp}) print(fIMU时间戳: {imu_data.timestamp})5.2 传感器数据记录与回放对于自动驾驶算法的开发和测试记录和回放传感器数据是非常有用的功能。class SensorRecorder: def __init__(self): self.rgb_frames [] self.depth_frames [] self.lidar_frames [] self.imu_readings [] def record_rgb(self, image): array np.frombuffer(image.raw_data, dtypenp.uint8) array array.reshape((image.height, image.width, 4)) self.rgb_frames.append(array[:, :, :3]) def record_depth(self, image): image.convert(carla.ColorConverter.LogarithmicDepth) array np.frombuffer(image.raw_data, dtypenp.uint8) self.depth_frames.append(array.reshape((image.height, image.width, 4))[:, :, :3]) def record_lidar(self, point_cloud): data np.frombuffer(point_cloud.raw_data, dtypenp.float32) self.lidar_frames.append(np.reshape(data, (int(data.shape[0] / 4), 4))) def record_imu(self, imu_data): self.imu_readings.append({ acceleration: imu_data.accelerometer, gyroscope: imu_data.gyroscope, compass: imu_data.compass, timestamp: imu_data.timestamp }) def save_to_disk(self, path): # 将记录的数据保存到磁盘 np.savez_compressed( path, rgb_framesnp.array(self.rgb_frames), depth_framesnp.array(self.depth_frames), lidar_framesnp.array(self.lidar_frames), imu_readingsnp.array(self.imu_readings) )6. 性能优化与实用技巧6.1 传感器配置优化不同的应用场景需要不同的传感器配置。以下是一些优化建议传感器类型关键参数推荐值说明RGB相机分辨率800x600平衡性能与图像质量FOV90°适合大多数场景深度相机分辨率640x480深度计算资源密集激光雷达通道数32平衡点云密度与性能点频100,000适合实时应用雷达水平FOV30°前向检测6.2 常见问题解决性能问题降低传感器分辨率或采样率减少同时激活的传感器数量使用CARLA的异步模式数据同步问题使用CARLA的同步模式在传感器回调中检查时间戳实现自定义的时间同步算法传感器数据异常检查传感器安装位置和方向验证传感器参数设置确保CARLA版本与Python API兼容# 性能优化示例异步数据采集 async def async_sensor_loop(): while True: # 获取传感器数据 rgb_image await rgb_camera.listen() lidar_data await lidar.listen() # 处理数据 process_data(rgb_image, lidar_data) # 控制循环频率 await asyncio.sleep(0.1)6.3 传感器数据可视化有效的可视化可以帮助理解传感器数据。以下是一些可视化技巧RGB图像使用OpenCV直接显示深度图像应用颜色映射增强可读性激光雷达点云使用matplotlib或专门的3D可视化工具雷达数据绘制极坐标图显示检测目标def visualize_lidar(points): import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig plt.figure(figsize(10, 8)) ax fig.add_subplot(111, projection3d) # 提取XYZ坐标 x points[:, 0] y points[:, 1] z points[:, 2] # 绘制点云 ax.scatter(x, y, z, s1, cz, cmapviridis) # 设置坐标轴标签 ax.set_xlabel(X (m)) ax.set_ylabel(Y (m)) ax.set_zlabel(Z (m)) plt.title(LiDAR Point Cloud) plt.show()
