标定的目的
标定的核心概念是得到传感器之间的相对位置,将不同传感器的数据在同一个坐标系中表示。标定分为内参标定和外参标定。内参是传感器自身性质,有些是厂家提供,有些需要自行标注,例如Camera焦距的定期矫正,Lidar中各激光管的垂直朝向角。外参是传感器之间的相对位置和朝向,一般由6个自由度表示,自由度的旋转矩阵和自由度的水平位移。
主要的标定算法
Lidar内参标定:相对于摄像头,激光雷达的内参标定有一定的特殊性。
-
Lidar-to-GPS外参标定:计算出Lidar与车上GPS的相对位置。GPS的位置由世界坐标系中的3D点表示,因此计算出外参之后可以计算得到Lidar在世界坐标系中的位置。
-
Lidar-to-Lidar外参标定:计算不同Lidar之间的相对位置。
-
Lidar-to-Camera外参标定:计算Lidar和相机之间的相对位置。
-
Camera-to-Camera外参标定:计算不同相机之间的相对位置。
-
自然场景中的Lidar-to-Camera外参标定:在自然环境中,驾驶车辆进行两种不同传感器之间的位置关系求解。
-
自然场景中的Bifocal Camera外参标定:双焦点摄像头之间外参的计算,也是就是不同焦点的相对位置。
-
Camera-to-Radar外参标定:摄像机到毫米波雷达的外参计算。
感知算法
点云感知
点云障碍物感知的主要任务是感知障碍物的位置、大小、类别、朝向、轨迹、速度等。核心是点云检测分割技术,可以用启发式算法NCut和深度学习算法CNNSeg完成。
视觉感知
视觉感知最早从ADAS发展而来。目前具备以下特点
-
2D感知向3D感知渗透,模型输出更丰富(后处理需要的3D信息、跟踪信息、属性信息等都会放在CNN中进行学习)
-
环视能力构建(传统方法靠一个Camera完成前向检测、碰撞检测、车道线检测。无人驾驶需要环视)
-
感知+定位+地图紧密结合
Radar感知
因为金属的反射信号比较好,所以雷达点会成直线分布。基于该特征,可以用Radar反射信号来做高速路道路边缘栅栏的检测。但是,感知结果中标识为障碍物的点并非全是障碍物
超声波感知
超声波只能进行近距离感知,并且无法感知具体的位置。对无人驾驶来说,行驶过程中帮助并不大,更多的是用于倒车和特别近距离的感知。