基于Python的多传感器融合的障碍物检测与避障演示
多传感器融合的障碍物检测与避障演示的核心目标是通过结合视觉目标检测（YOLOv5）和模拟激光雷达数据，实现对移动障碍物的感知、分析与决策。以下从算法原理和代码实现进行详细说明：
1.目标检测：YOLOv5模型
YOLOv5（You Only Look Once version 5）是一种单阶段目标检测模型，通过卷积神经网络直接在图像中预测边界框（Bounding Box）和类别概率。其轻量级版本（yolov5s）在速度与精度间取得平衡，适合实时场景。
(1) 加载预训练的YOLOv5s模型，无需训练即可直接用于检测常见物体（如车辆、行人等）。
(2) 读取测试视频，视频可替换。
代码如下：
# 加载预训练的YOLOv5模型（小型版本）
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)# 读取测试视频（替换为你的视频路径）
cap = cv2.VideoCapture('1.mp4') # 示例视频需自行准备2. 伪激光雷达生成（Pseudo-LiDAR）
通过视觉目标检测的结果（车辆边界框），在检测框底部中心生成虚拟点云，模拟激光雷达的稀疏点云数据。这种“伪点云”可作为激光雷达数据的替代或补充，用于多传感器融合演示。
(1) 检测到车辆后，提取边界框坐标 (x1, y1, x2, y2)，计算底部中心点 (cx, cy)。
其中：（cx=[(x1+x2)/2], cy=y2）。
(2) 在图像上绘制绿色圆点标记伪点云位置（cv2.circle），并将点坐标存储为 (cx, cy, 0)（Z轴设为0，模拟地面平面）。
代码如下：
def generate_pseudo_lidar(frame):# YOLOv5检测results = model(frame)detections = results.pandas().xyxy[0]vehicles = detections[detections['name'].isin(['car', 'truck', 'bus'])]# 在检测框底部中心打点（伪点云）pseudo_points = []for _, row in vehicles.iterrows():x1, y1, x2, y2 = int(row['xmin']), int(row['ymin']), int(row['xmax']), int(row['ymax'])cx = (x1 + x2) // 2cy = y2 # 取底部中心pseudo_points.append([cx, cy, 0]) # Z轴设为0# 可视化：在图像上画点cv2.circle(frame, (cx, cy), 5, (0, 255, 0), -1)return frame, np.array(pseudo_points)# 测试单帧
ret, frame = cap.read()
if ret:vis_frame, pseudo_points = generate_pseudo_lidar(frame)cv2.imshow('Vehicle Detection', vis_frame)cv2.waitKey(0)cv2.destroyAllWindows()3. 模拟激光雷达数据生成
当真实激光雷达不可用时，通过数学函数（如正弦函数）生成动态障碍物的模拟点云，用于测试融合算法的有效性。