Update radar_node.py

Translated comments to englisch and reformated code.

code/perception/src/radar_node.py

@@ -9,9 +9,7 @@
 
 
 class RadarNode:
-    """See doc/perception/radar_node.md on
-    how to configure this node
-    """
+    """See doc/perception/radar_node.md on how to configure this node."""
 
     def callback(self, data):
         """Process radar Point2Cloud data and publish clustered data points.
@@ -23,56 +21,46 @@ def callback(self, data):
         Args:
             data: Point2Cloud message containing radar data
         """
-
         clustered_points = cluster_radar_data_from_pointcloud(data, 10)
         clustered_points_json = json.dumps(clustered_points)
         self.dist_array_radar_publisher.publish(clustered_points_json)
 
     def listener(self):
-        """
-        Initializes the node and it's publishers
-        """
-        # run simultaneously.
+        """Initializes the node and its publishers."""
         rospy.init_node("radar_node")
-
-        # publisher for radar dist_array
         self.dist_array_radar_publisher = rospy.Publisher(
             rospy.get_param(
-                "~image_distance_topic",
-                "/paf/hero/Radar/dist_array_unsegmented",
+                "~image_distance_topic", "/paf/hero/Radar/dist_array_unsegmented"
             ),
             String,
             queue_size=10,
         )
-
         rospy.Subscriber(
             rospy.get_param("~source_topic", "/carla/hero/RADAR"),
             PointCloud2,
             self.callback,
         )
-
         rospy.spin()
 
 
 def pointcloud2_to_array(pointcloud_msg):
     """
-    Konvertiert eine ROS-PointCloud2-Nachricht in ein NumPy-Array und berechnet
-    die euklidischen Entfernungen jedes Punkts vom Ursprung.
+    Converts a ROS PointCloud2 message into a NumPy array and calculates the
+    Euclidean distance of each point from the origin.
 
-    Parameter:
+    Parameters:
     - pointcloud_msg: sensor_msgs/PointCloud2
-        Die ROS-PointCloud2-Nachricht, die die 3D-Punkte enthält.
+        The ROS PointCloud2 message containing the 3D points.
 
-    Rückgabewert:
+    Returns:
     - np.ndarray
-        Ein 2D-Array, in dem jede Zeile einem Punkt in der Punktwolke entspricht:
-        [x, y, z, distance], wobei "distance" die Entfernung vom Ursprung ist.
+        A 2D array where each row corresponds to a point in the point cloud:
+        [x, y, z, distance], where "distance" is the distance from the origin.
     """
     cloud_array = ros_numpy.point_cloud2.pointcloud2_to_array(pointcloud_msg)
     distances = np.sqrt(
         cloud_array["x"] ** 2 + cloud_array["y"] ** 2 + cloud_array["z"] ** 2
     )
-
     return np.column_stack(
         (cloud_array["x"], cloud_array["y"], cloud_array["z"], distances)
     )
@@ -82,70 +70,42 @@ def cluster_radar_data_from_pointcloud(
     pointcloud_msg, max_distance, eps=1.0, min_samples=2
 ):
     """
-    Filtert und gruppiert Punkte aus einer ROS-PointCloud2-Nachricht
-    basierend auf DBSCAN-Clustering.
+    Filters and clusters points from a ROS PointCloud2 message based on DBSCAN
+    clustering.
 
-    Parameter:
+    Parameters:
     - pointcloud_msg: sensor_msgs/PointCloud2
-        Die ROS-PointCloud2-Nachricht mit den 3D-Punkten.
+        The ROS PointCloud2 message containing the 3D points.
     - max_distance: float
-        Maximale Entfernung, um Punkte zu berücksichtigen. Punkte außerhalb dieser
-        Entfernung werden verworfen.
+        Maximum distance to consider points. Points beyond this distance are
+        discarded.
     - eps: float, optional (default: 1.0)
-        Der maximale Abstand zwischen zwei Punkten, damit diese im selben Cluster
-        sein können.
+        The maximum distance between two points for them to be considered in
+        the same cluster.
     - min_samples: int, optional (default: 2)
-        Die minimale Anzahl von Punkten, die erforderlich sind, um einen Cluster
-        zu bilden.
+        The minimum number of points required to form a cluster.
 
-    Rückgabewert:
+    Returns:
     - dict
-        Ein Dictionary, in dem die Schlüssel die Cluster-Labels (int) sind und die
-        Werte die Anzahl der Punkte in jedem Cluster. Wenn keine Punkte vorhanden
-        sind, wird ein leeres Dictionary zurückgegeben.
-
-    Funktionalität:
-    - Die Funktion konvertiert die Punktwolke in ein Array mit Punktkoordinaten
-      und berechneten Entfernungen.
-    - Punkte außerhalb eines spezifizierten Entfernungsbereichs und räumlichen
-      Filtergrenzen werden verworfen.
-    - Anschließend wird DBSCAN-Clustering auf die 2D-Koordinaten (x, y) der Punkte
-      angewendet.
-    - Die Cluster-Labels und ihre Häufigkeiten werden als Dictionary zurückgegeben.
+        A dictionary where the keys are cluster labels (int) and the values
+        are the number of points in each cluster. Returns an empty dictionary
+        if no points are available.
     """
     data = pointcloud2_to_array(pointcloud_msg)
-
-    # Filtere Punkte basierend auf der maximalen Entfernung
     filtered_data = data[data[:, 3] < max_distance]
-
-    # Zusätzlicher Filter auf Y- und Z-Werte
     filtered_data = filtered_data[
         (filtered_data[:, 1] >= -1)
         & (filtered_data[:, 1] <= 1)
         & (filtered_data[:, 2] <= 1.3)
         & (filtered_data[:, 2] >= -0.7)
     ]
-
-    # Rückgabe eines leeren Dictionaries, wenn keine Punkte übrig sind
     if len(filtered_data) == 0:
         return {}
-
-    # Extrahiere die 2D-Koordinaten (x, y) für das Clustering
     coordinates = filtered_data[:, :2]
     clustering = DBSCAN(eps=eps, min_samples=min_samples).fit(coordinates)
     labels = clustering.labels_
-
-    # Zählen der Punktanzahl in jedem Cluster
-    clustered_points = {
-        label: list(labels).count(label)
-        for label in set(labels)
-    }
-
-    # Konvertiere die Labels in Integer und gebe das Dictionary zurück
-    clustered_points = {
-        int(label): count
-        for label, count in clustered_points.items()
-    }
+    clustered_points = {label: list(labels).count(label) for label in set(labels)}
+    clustered_points = {int(label): count for label, count in clustered_points.items()}
     return clustered_points