结论
提出了基于气象场能见度概念的暴风雪情景下激光雷达的新能见度度量。
评估数据集为 CADC
暴雪天气能见度与ICP算法的定位性能之间没有明显的相关性。但是会导致定位失败
未来是为了用该度量开发出一个降雪滤波器
引言
然而,文献中的大部分工作都是使用定性指标,没有一个标准的方案来量化车辆附近的降雪。
提出了一种新的方法来物理模拟激光雷达在暴风雪中遇到的噪声:仅使用激光雷达数据可以实现量化降雪级别
1)一种用于估计暴风雪能见度的新指标;2)深入分析了暴风雪对激光雷达定位的影响
《Kilometer-scale autonomous navigation in subarctic forests: challenges and lessons learned》认为降雪并不会影响建图和定位,而是积雪影响。
我们将最新定位算法的精度与暴风雪强度相关联。
理论
在《Lambda-Field: A continuous counterpart of the Bayesian occupancy grid for risk assessment.2019》的基础上提出了密度测量方法
将上述的理论扩展到自己的研究中:用暴风雪的密度场代替障碍物场
我们假设雪的密度可以用 非均匀泊松点过程,对于较小的高度差,雪的密度在z方向上是恒定的,只考虑以激光雷达的位置为中心,在z方向上位于1m带内的点
光束通过空间S⊂ R2,并在不与雪花碰撞的情况下测量对象的概率为P。
是点s处的降雪密度
将点云空间分为单元,Ac为测量域,h是碰撞次数,m光束通过单元ci而没有碰撞的次数,密度域被估计为:
由于这个场也是随时间变化的:由于这个额外的参数大大复杂了场的估计,我们假设场在给定的时间间隔**[t− τ/2,t+τ/2]**,并使用该间隔中的所有测量值来估计时间t的场
τ = 1s Ac = 40*40cm
无风时,有风时密度变化
由于密度较高,激光雷达的射程大大缩小,在这种情况下几乎看不到任何结构元素
激光雷达能够在不被雪花干扰的情况下测量物体的概率是
其中S是光束到达要测量的对象所需穿过的空间,As是其相应的区域=到目标的距离, λ 是域的平均密度=大气消光系数平均值。
d是光束的行进距离 α是激光雷达传感器的孔径角。
感知对象的概率下降到概率p以下的距离Vp:
可以在暴风雪中的任何时候估计p能见度,我们能够计算出任何情况下的p可见性,实时。
将p固定为0.5 能见度是激光雷达光束有一半机会到达物体而不被雪花偏转的距离。
结果
分析降雪对定位的影响。令人惊讶的是,ICP算法对大量的降雪有很强的适应性,即使一半的激光雷达光束看不到8米以上。
描述了CADC的两个给定运行的定位误差。
我们认为,我们的指标可以帮助标准化所有数据集中与降雪相关的能见度损失的评估