利用扩展卡尔曼滤波技术，雷达与激光雷达数据进行传感器融合，以实现对自行车的跟踪。

简介：
该项目专注于数据融合，并扩展了卡尔曼滤波器以应用于物体跟踪，为无人驾驶汽车工程师的纳米学位课程提供实践经验。在这一项目中，我运用了扩展卡尔曼滤波器，利用带噪的激光雷达和雷达测量数据，精确地估计感兴趣运动物体的状态。扩展卡尔曼滤波器（EKF）属于一种持续速度（CV）算法。通过使用名为“obj_pose-laser-synthetic-input.txt”的文件，我成功地获得了估计的对象位置（x, y坐标）以及速度（vx, vy），并得到了输出坐标 [0.11, 0.11, 0.52, 0.52] 的均方根误差（RMSE值）。该文件对应于数据集1的模拟器数据。该项目包含Term2Simulator，这是一个可下载的存储库，其中包含两个文件，用于在Linux或Mac系统上配置和安装。对于Windows用户，可以使用Docker、VMware或其他方法进行安装，例如安装uWebSocketIO。完成uWebSocketIO的安装后，可以通过从项目顶级的目录执行命令来构建和运行主程序：首先创建名为“构建”的目录，然后制作cmake文件进行构建，最后执行./扩展KF代码与模拟器之间的通信输入：模拟器向C++程序提供的值[“sensor_measurement”]=>模拟器观测到的测量值（激光）。