本文仅为 ros使用自动驾驶数据集kitti教材学习小节，详细内容请参照原视频 kitti数据集的使用主要分为三个文件，kitti.py，data_utils.py，publish_utils.py 使用的资料包为：2011_09_26_drive_0005_sync
发布图片
1.发布器publisher: cam_pub = rospy.Publisher('kitti_cam',Image,queue_size=10) 2.读取文件data_utils.py 3.发布消息publish_utils.py 图片显示的主要步骤
cam_pub
发布点云数据
pcl_pub
发布IMU数据
传感器提供的姿态角，也称为欧拉角：pitch yaw roll 来显示
包含的数据类型
数据读取，在oxts/data/中包含有imu与gps数据
imu_data
GPS资料
gps_pub = rospy.Publisher('kitti_gps',NavSatFix,queue_size=10)
def
查看gps数据： rostopic list rostopic info /kitti_gps rostopic echo /kitti_gps
tracking数据读取
对物体进行标注，框出目标物 读取文件：
df_tracking
tracking 中包含的数据类型
可以使用jupyter notebook显示资料
import
得到的数据如下：
2D侦测框
例如van:bbox_left 从图片左边开始数第296.7个像素为左边的框框，bbox_top从上往下数161.7个像素为上边界坐标，right, bottom同理，由此可以得到van的2D框框
将车辆进行归类，并设定显示类型
df
3D侦测框以及显示track_id
3D侦测由 height,width,length,pos_x,pos_y,pos_z,rot_y这七个参数确定位置，这七个坐标是定义在相机坐标系的，需要与velodyne进行坐标转化
calib
Calibration提供了任意坐标系的转换方法 在rviz中显示3D框需要物体的八个顶点，以及点与点之间的连线 计算3D侦测盒，在相机坐标系
def
连线中下面：左前放为0,然后顺时针依次为1,2,3，上面同理
画出运动轨迹
1.计算过去的坐标
当前坐标系在frame2，在第二帧中车辆坐标为（0,0），要通过坐标转换计算frame1在frame2坐标系下的坐标值，这样就可以将物体的历史坐标计算出来 设由当前帧frame1，运动到frame2，运动距离为d，旋转角为θ 帧旋转后得到的(x,y)坐标为R(-θ)·[x;y] =[xcos(-θ)+ysin(-θ);xsin(-θ)+ycos(-θ)] 平移后[xcos(-θ)+ysin(-θ)-d;xsin(-θ)+ycos(-θ)]
x1
计算平移距离d
gps_distance
平移有两种计算方式，通过GPS或者IMU数据进行计算， GPS计算的是大圆距离，适用于时间间隔较长的情形，采集时间短gps误差累计较大 IMU适用于时间间隔较短的情形，在计算距离中我们的时间间隔为0.1s，imu得到的距离更平滑。
角度θ
yaw_change
imu_data中相邻两帧yaw相减即可 最终将历史帧数据全部转换到当前帧，不用考虑之前帧的坐标值 2.轨迹更新 在跟踪中设定tracker{},与center{}两个衡量指标 tracker中保存着object的信息，通过track_id进行检索object center中保存着该帧检测到物体的中心点 需要考虑的情形： a.第一次检测到：track_id在center中，不在tracker中,创建新的object
tracker
b.track_id在tracker，也在center中
tracker
c.遮挡情形：track_id在tracker中，但是center中未检测到
for
最后将轨迹发布出去