训练一个PointPillars网络用于点云中的目标检测。

生成带有自定义层的pointcolumns对象检测器的CUDA®MEX。有关更多信息，请参见Lidar工具箱™中使用PointPillars深度学习的激光雷达3-D目标检测示例。

使用激光雷达数据执行三维物体探测工作流程中典型的数据增强技术。

探测激光雷达点云中的通道。您可以使用从激光雷达点云返回的强度值来检测自我车辆的车道。通过使用曲线拟合算法并跟踪曲线参数，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程，如车道保持辅助、车道偏离预警和自适应巡航控制的自动驾驶。一辆测试车通过安装在车顶上的激光雷达传感器收集激光雷达数据。

利用安装在ego车辆上的激光雷达传感器捕获的激光雷达点云数据，探测、分类和跟踪车辆。本例中使用的激光雷达数据是从高速公路驾驶场景中记录的。在本例中，使用PointSeg网络对点云数据进行分割，以确定对象的类别。采用联合概率数据关联(JPDA)跟踪器和交互式多模型滤波器对被检测车辆进行跟踪。

利用安装在ego车辆顶部的激光雷达传感器进行测量来跟踪车辆。激光雷达传感器以点云的形式报告测量结果。该示例说明了在MATLAB®中处理点云和跟踪目标的工作流。关于Simu金宝applink®版本的示例，请参考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高速公路驾驶场景中记录的。在本例中，使用联合概率数据关联(JPDA)跟踪器和交互多模型(IMM)方法，使用记录的数据跟踪车辆。

从雷达和激光雷达传感器的测量数据生成目标级轨迹表，并使用轨迹级融合方案进一步融合它们。使用扩展目标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。您可以使用轨道级融合方案进一步融合这些轨道。工作流程的原理图如下所示。