基于车载传感器的联合标定算法

最新推荐文章于 2024-05-23 11:51:48 发布

深耕智能驾驶

最新推荐文章于 2024-05-23 11:51:48 发布

阅读量1.2k

点赞数

分类专栏：目标跟踪系列感知融合文章标签：算法目标跟踪

本文链接：https://blog.csdn.net/jane0819/article/details/133077248

版权

目标跟踪系列同时被 2 个专栏收录

25 篇文章 64 订阅 ¥29.90 ¥99.00

订阅专栏

感知融合

5 篇文章 0 订阅

订阅专栏

1.1.车载感知传感器

自动驾驶汽车对于外界和自身的感知依赖于传感器，目前应用于自动驾驶汽车的传感器主要有摄像头、激光雷达、毫米波雷达、超声波雷达。

（1）摄像头

       摄像头可以采集汽车周边图像信息，拥有较广的垂直视场角和较高的纵向分辨率，而且可以提供衍射和纹理等信息，能识别丰富的环境语义信息，如行人、自行车、机动车、道路轨道线、路牙、交通标志、信号灯等信息。从而实现前车碰撞预警（FCW）和车道偏离预警（LDW）。

    摄像头的优点：
       成本低、分辨率高、所采集到的信息十分丰富。
摄像头的缺点：
       对于光照变化和天气状况较为敏感，在逆光、光影复杂、夜间、雨雪、大雾能见度低的情况下难以使用。
       摄像头对象识别受限于训练样本，样本未覆盖的物体将无法辨别。
       车载摄像头缺乏精确的三维信息

（2）激光雷达

LiDAR（Light Detection and Ranging，激光雷达），工作在红外和可见光波段，以激光为工作光束，探测目标的位置、速度等特征量，一般由激光发射器、接收器、时间计数器、微计算机等组成。激光测距精确程度高，可达到厘米级。许多自动驾驶汽车的激光雷达安装在车顶，通过高速旋转对周围进行360°扫描，获得周围空间的点云数据，实时绘制车辆周边的三维空间地图，为下一步的车辆操控建立决策依据。

       激光雷达的优点：
       可以获得极高的角度、距离分辨率（角度分辨率可以达到0.1°，距离分辨率可达0.1m）
       同时跟踪多个目标
       抗有源干扰能力强，自然界中能对激光雷达起干扰作用的信号源不多
       获取信息丰富，可直接获得目标的距离、角度、反射强度、速度等信息，从而生成目标的多维图像。

       激光雷达的缺点：
       对于光线、天气状况敏感，因此工作时受天气状况影响大，晴朗的天气里衰减较小，传播距离较远，而在大雨、浓雾等恶劣天气里，衰减加大，传播距离受到影响。
       激光雷达接受的是光信号，因此也容易受太阳光、其他车辆的激光雷达等光线影响。
       难以获取颜色、纹理信息、导致分辨交通标志的含义和红绿灯颜色等任务必须有其他传感器完成。

（3）毫米波雷达

毫米波雷达是工作在毫米波波段的雷达，因为毫米波雷达具有较强的穿透性，能够轻松地穿透保险杠上的塑料，所以常被安装在汽车的保险杠内。

       毫米波雷达的优点：
       能够准确的测量自动驾驶汽车与周边车辆之间的距离，从提供变道辅助、自主控制车速、碰撞预警等帮助
       毫米波导引头穿透烟尘雾的能力强，精度受天气和环境因素影响较小，可以基本保证在各种日常天气正常运行

       毫米波雷达的缺点：
       毫米波雷达发射机功率低，波导器件的损耗大
       由于行人的后向散射截面较弱，如果需要探测行人，雷达的探测阈值需要设低，其负面效应可能会有更多虚报物体出现。

（4）超声波雷达

超声波雷达是通过发射并接收40kHz的超声波，根据时间差算出障碍物距离的，其测距精度大约是1~3cm。超声波的指向性强，能量消耗缓慢，遇到障碍物后反射效率高，是测距的良好载体。常见的超声波雷达有两种：一种是安装在汽车前后保险杠上的倒车雷达，称为UPA（超声波驻车辅助传感器）另一种是安装在汽车侧面的超声波雷达，用于测量侧方障碍物距离，称为APA（自动泊车辅助传感器）

       超声波雷达的优点：
       能量消耗较为缓慢，防水、防尘，即使有少量的泥沙遮挡也不影响
       在介质中的传播距离较远，穿透性强
       测距方法简单，不受光线条件影响，在短距离测距商有非常大的优势
超声波雷达的缺点：
       超声波波速受温度影响，对温度较为敏感
       超声波收射角大，方向性较差，无法精确描述障碍物位置
       在测量较远距离目标时，其回波信号较弱，影响测量精度。

1.2.传感器标定对象

（1）摄像头标定参数

在图像测量过程以及机器视觉应用中，需要建立摄像头成像的集合模型来确定空间物体某点的三维集合位置与其在图像中对应点之间的关系；由于每个镜头的畸变程度各不相同，通过摄像头标定可以校正镜头畸变，生成矫正后的图像，因此摄像头的参数标定十分关键，其标定结果的精度及算法的稳定性直接影响摄像机结果的准确性。
对于自动驾驶汽车来说，通常会有多个车载摄像头以一定角度和位置安装在车辆上，为了将不同摄像头捕获的数据与真实场景联合对应起来，还必须对多个摄像头进行外参数的标定。

摄像头内参：焦距

在关联建立的过程中，与摄像机的焦距、主点以及传感器等设计技术指标有关，而与外部因素（如周边环境、摄像机位置）无关。

摄像头外参：相对位姿

自动驾驶通常会采用多摄像头捕捉各视角的视觉信息，为了综合多视角信息，需要确定它们之间的相对位置关系。
两个摄像头之间相对位姿（R,t）有六个自由度，即空间位置（x,y,z）与旋转关系（a,p,y），理论上只要两个摄像头同时获取空间中3个点即可恢复二者之间的相对姿态。
从3对对应点恢复摄像头之间的相对姿态的问题，称为P3P（透视三点问题）。而在现实中，常常使用3个以上的点来恢复相对姿态以提高健壮性，P3P问题被推广为PnP问题。

（2）激光雷达标定参数

激光雷达内参：
即内部激光发射器坐标系与雷达自身坐标系的转换关系，这通常在生成厂商交付产品时已经标定完成，可以直接使用。

激光雷达外参：相对车身位姿
即激光雷达吱声坐标系与车辆坐标系的转换关系，即空间位置（x,y,z）与旋转关系（a,p,y），以及多个激光雷达之间的转换关系。激光雷达与车辆坐标系之间是刚性连接，因此仅需要在激光雷达安装时进行标定，即激光雷达坐标系转换至车辆坐标系上，而多个激光雷达的联合标定通常会通过各激光雷达与车辆坐标系标定结果推导得到。

（3）毫米波雷达标定参数

内外参数标定同上，理想情况下，雷达平面应与车辆行进方向垂直，但由于安装过程中的误差，雷达的方位角（Yaw angle、α）、俯仰角（Pitch angle、β）和滚转角（Roll angle、γ）以及相对车身的安装位置（x,y,z）与预期存在一定的偏差，因此都需要标定。

（4）超声波雷达标定参数

同上。

1.3.联合标定需求

多源异构传感器融合在当今的自动驾驶应用场景中很常见，准确的多传感器时间和空间统一是实现多传感器融合感知和定位的先决条件。许多传感器融合方法假设不同传感器的时间戳精确对齐，这实际上只能通过严格的硬件同步来保证，但是对于大多数低成本和自建的传感器组，硬件同步是不可用的。在实践中，传感器数据的时间戳会受到不同的时钟、触发机制、传输延迟、数据堵塞、抖动、偏斜的影响，导致测量时刻和时间戳之间的存在偏移。准确的时间校准是实现有效传感器融合的首要前提。

空间统一即确定传感器间的旋转和平移。一个车上装了多个/多种传感器，对多个/多种传感器的数据做感知融合时，它们之间的坐标关系是需要确定的。不同的传感器由于自身的功能以及工作环境的不同，在进行数据量测时所用的坐标系并非一个统一的坐标系，因此需要进行坐标变换；同时在传感器进行量测时不能完全安装在一起，当传感器相对距离过大时，各传感器的量测数据也会出现偏差，因此需要对传感器在空间中相对距离造成的量测偏差进行补偿。

1.4.联合标定方法

1.4.1.离线时空联合标定

（1）多传感器系统的统一时空校准

《Unified temporal and spatial calibration for multi-sensor systems》
原文链接：https://blog.csdn.net/CV_Autobot/article/details/127002979
该工作提出了一种新的框架，使用批量、连续时间、最大似然估计来确定传感器之间固定时间偏移和空间变换。

（2）基于高斯过程估计的运动目标的多传感器时空标定

《Spatiotemporal Multi-sensor Calibration via Gaussian Processes Moving Target Tracking》
该方法可以做到多传感器联合流形空间上的时空优化，采用批状态估计，通过高斯过程GP做到状态内插。

该方法可以分为以下两个连续步骤：
1）用单独的 GP 表示每个传感器捕获的运动目标的轨迹；
2）基于 GP 插值和高效流形优化的联合时空校准。

以频率最慢的传感器作为固定传感器，另一个传感器作为插值传感器。下图显示了由固定和插值传感器观察到的目标位置轨迹，通过对齐两个目标轨迹完成时延估计。
待优化的参数是：包括R，T，td，kd分别是旋转矩阵，平移矩阵，时延和钟差参数。旋转和平移表示在李群流形空间上，在某一次迭代过程中，使用当前时刻的时延和钟差得到时间戳，并结合高斯过程表示的轨迹得到时刻固定传感器观测到的目标的状态zk作为measurement值，以内插传感器对应时刻的状态hk作为observation构建极大似然估计，采用高斯-牛顿（GN）法得到全局最优的R，T，td，kd。