Waymo数据集解析环境安装以及解析结果

环境安装：

• 首先只能linux系统可以解析 perception 数据集（3dod）的内容
• conda create -n waymo python=3.7
• source activate waymo
• pip install waymo-open-dataset-tf-2-4-0 --user -i https://pypi.tuna.tsinghua.edu.cn/simple
• pip install tensorflow==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

然后就行了，但是会警告

 waymo-open-dataset-tf-2-4-0 1.4.1 requires tensorflow==2.4.0, but you have tensorflow 1.14.0 which is incompatible.

随后下载这个git仓库里的代码， 放到指定位置就能运行那个test.py。贴两个参考
参考1
参考2官方文档

tfrecord数据分析

• 一个tfrecord文件表示一个连续的序列，里面网上说有199帧（我解压了一个是198帧为什么？） 下面支队单个帧进行解析

• 函数： def parse_range_image_and_camera_projection(frame)

  • range_image_top_pose # [64, 2650, 6], 因为是64线雷达，1线一圈2650个点
  • camera_projections # [64, 2650, 6]
  • range_images # [64, 2650, 4]
    • range_images[laser_name][return_index]

• waymo将雷达数据进行了划分，分为正前FRONT、正后REAR、左侧SIDE_LEFT、右侧SIDE_RIGHT、车顶TOP，所以可以将五个点云数组全部写入组成一个完成的帧点云。前面的laser_name表示激光雷达位置，return_index 为什么会有1和2 ？且range view 不同(前3个是return_index=0,后三个是=1)。
  

这里介绍一下点云数据的分布：

• 激光雷达位置：
  

• 激光点的数量：
  

• 最终的点云由五个不同位置的点组合而成：points_all = np.concatenate(points, axis=0)，总点的个数为 155050 .

• visualize the frame photo，主要分为正前FRONT、左前FRONT_LEFT、右前FRONT_RIGHT、左侧SIDE_LEFT、右侧SIDE_RIGHT，图片的分辨率是 1920 x 886，如下图所示：
  

• 针对每一帧都会有个时间戳可以查看 frame.timestamp_micros
  

• 给出以上描述的传感器分布：