训练一个PointPillars网络用于点云中的目标检测。

为具有自定义图层的Pointpillars对象检测器生成CUDA®MEX。有关详细信息，请参阅LIDAR Toolbox™的Pointpillars Deep Learing equips的LIDAR 3-D对象检测。

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。

在Lidar点云中检测车道。您可以使用从Lidar Point云返回的强度值来检测EGO车辆车道。您可以通过使用曲线拟合算法和跟踪曲线参数来进一步提高车道检测。LIDAR Lane检测使您可以建立像车道保持辅助，车道偏离警告和自动驾驶的自适应巡航控制等复杂工作流程。测试车辆使用安装在其屋顶上的激光雷达传感器收集LIDAR数据。

通过使用安装在自助车辆上的激光雷达传感器捕获的LiDAR点云数据来检测，分类和跟踪车辆。在该示例中使用的LIDAR数据从高速公路驾驶场景中记录。在该示例中，点云数据被分段为使用POINSEG网络确定对象的类。具有交互式多模型滤波器的联合概率数据关联（JPDA）跟踪器用于跟踪检测到的车辆。

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生成对象级轨道列表，并使用轨道级融合方案进一步熔化它们。您使用联合概率数据关联（JPDA）跟踪器使用扩展对象跟踪器和LIDAR测量来处理雷达测量。您可以使用轨道级融合方案进一步熔化这些曲目。工作流程的示意图如下所示。