激光雷达
文章平均质量分 94
RT
泠山
欢迎提出任何想法和指正,没回复多半是太忙了
展开
-
多传感器融合定位十五-多传感器时空标定(综述)
以思路讲解为主,并给出参考文献和开源代码,不做过多细节展开;对已有方法做汇总分析,以求能在新的任务中掌握标定方案设计思路。这些方法中,推荐优先级从高到低为:a. 基于共视的标定b. 融合中标定c. 手眼标定建议应在良好环境下标定,尽量避免不分场景的在线标定。良好环境指观测数据优良的场景,例如:a. GNSS 信号良好;b. 点云面特征丰富,没有特征退化;c. 动态物体较少时间差估计,在某些情况下不得已而为之,实际中应尽量创造条件实现硬同步;原创 2023-02-10 19:58:24 · 1765 阅读 · 0 评论 -
多传感器融合定位十四-基于图优化的定位方法
核心思路是把融合方法从滤波换成图优化,其元素不再是简单的惯性解算,而是预积分。一个暴力的模型可以设计为:缺陷:随着时间的进行,图模型会越来越大,导致无法达到实时性。解决方法:不断删除旧的帧,只优化最新的几帧,即维持一个滑动窗口。模型如下:问题:直接从模型中删除,等于损失了信息。解法:通过模型把旧帧的约束传递下来,即边缘化(后面讲具体细节)。整个流程:不断往滑窗里添加新信息,并边缘化旧信息。需要注意的是:优化问题具有如下通用形式:HX=bH X=bHX=b并可拆解成如下形式:[Hmm原创 2023-02-10 19:57:17 · 1876 阅读 · 4 评论 -
多传感器融合定位十三-基于图优化的建图方法其二
在融合时,需要给不同信息设置权重,而权重 由方差得来,因此对于IMU积分,也要计算其 方差。方差的计算形式与第四章相同,即Pi,k+1=FkPi,kFk⊤+BkQBk⊤\boldsymbol{P}_{i, k+1}=\mathbf{F}_k \boldsymbol{P}_{i, k} \mathbf{F}_k^{\top}+\mathbf{B}_k \boldsymbol{Q} \mathbf{B}_k^{\top}Pi,k+1=FkPi,kFk⊤+BkQBk⊤但需注意的是,此处 Fk\b原创 2023-02-10 19:56:19 · 757 阅读 · 0 评论 -
多传感器融合定位十二-基于图优化的建图方法其一
优化问题可以等效为如下形式:三种约束分别通过以下方式获得:问题:位姿每次优化后会发生变化,其后的IMU惯性积分就要重新进行,运算量过大。解决思路:直接计算两帧之间的相对位姿,而不依赖初始值影响,即所谓的预积分。由于此处讨论的优化方案包含组合导航系统,且认为外参已标定,因此会和常见的lio/vio中的方案有所不同,它不包含以下内容:在第6讲中,已知导航的微分方程如下p˙wbt=vtwv˙tw=atwq˙wbt=qwbt⊗[012ωbt]\begin{aligned}& \dot{\mathbf{原创 2023-02-10 19:55:30 · 967 阅读 · 0 评论 -
多传感器融合定位十一-基于滤波的融合方法Ⅱ
感应轮子的旋转,并在旋转时输出脉冲,脉冲数与转过的角度呈线性比例关系。脉冲对应的是角度增量,有时也用增量除以时间,转成轮子转动的角速度输出。需要注意的是,编码器只是各种转角测量方式中的一种,其他还有轮速计、霍尔传感器等,本课程以编码器为例子讲解模型,但同样适用于其他形式的传感器。编码器安装方式有单轮、双轮、三轮,本课程推导仅围绕双轮差分模型进行展开。该模型中,需要用到以下变量:实际使用时,标定完成后, rL\boldsymbol{r}_LrL、rR\boldsymbol{r}_RrR、d\boldsy原创 2023-02-10 19:54:05 · 1051 阅读 · 0 评论 -
多传感器融合定位十-基于滤波的融合方法Ⅰ其二
实际状态估计任务中,待估计的可以表示为:p(xk∣xˇ0,v1:k,y0:k)p\left(\boldsymbol{x}_k \mid \check{\boldsymbol{x}}_0, \boldsymbol{v}_{1: k}, \boldsymbol{y}_{0: k}\right)p(xk∣xˇ0,v1:k,y0:k)其中:xˇ0\check{\boldsymbol{x}}_0xˇ0 表示的是状态初始值v1:k\boldsymbol{v}_{1: k}v1:k 表示从 111原创 2023-02-10 19:52:58 · 839 阅读 · 0 评论 -
多传感器融合定位九-基于滤波的融合方法Ⅰ其一
好处就在于下面求逆的时候,公式中 对角阵的逆、上三角及下三角的逆 都是比较好求的,这样上面方差矩阵的逆就更好求出来了。实际中,预测与观测均从传感器而来,因此滤波器的作用便是结合各传感器得到一个最好的融合结果。最后得到两个二次项的和,由于同底数幂相乘后,底数不变,指数相加,且。),而此处联合概率的方差是一个高维矩阵,对它求逆的简洁办法是运用。贝叶斯推断可以理解为贝叶斯公式的运用,它是指,如果已知。把矩阵分解成上三角矩阵、对角阵、 下三角矩阵乘积的形式。, 在实际中指的是观测噪声。求逆,这个是不太好展开的。原创 2023-02-09 14:49:21 · 877 阅读 · 0 评论 -
多传感器融合定位八-惯性导航解算及误差分析其二
目的: 利用IMU测量的角速度、加速度,根据上一时刻导航信息,推算出当前时刻导航信息,包括姿态解算、速度解算、位置解算。(根据角速度+加速度,推算位姿+速度)方法: 由姿态、速度、位置的微分方程,推导出它们的解,并转变成离散时间下的近似形式,从而可以在离散时间采样下,完成导航信息求解。优点: IMU不受外界信号干扰,可以得到稳定、平滑的导航结果。缺点: 误差随时间累计,一般时间越长,累计误差越大。因此需要融合,而导航解算(本小节)及其误差分析(下一小节),是融合的基础。因此通常用于与其他传感器做一个优势互补原创 2023-02-07 13:46:10 · 713 阅读 · 0 评论 -
多传感器融合定位七-惯性导航解算及误差分析其一
多传感器融合中三维运动的导航信息包含姿态、速度、位置,其中姿态的处理最为复杂,也最为核心。姿态有三种表示形式:、、,此外还有等效,但它一般在中间计算过程中使用。(等效旋转矢量推导过程中的一些计算,推导会更加简单方便。)注:这里只介绍基于四元数和旋转矩阵的姿态更新,不介绍基于欧拉角的更新。(我们做姿态更新的时候,不会给出欧拉角的姿态更新和误差形式,欧拉角在实际过程中不会参与这种性质的运算,更多的是给人看的,很直观,但是在公式中会非常复杂。)欧拉角等同于把姿态绕三次不同轴旋转。不同的旋转顺序会得到不同的欧原创 2023-02-04 14:39:06 · 1519 阅读 · 3 评论 -
多传感器融合定位六-惯性导航原理及误差分析
前面几章讲了怎样用单个传感器把图建出来然后再做定位。接下来就进入了融合的环节,即怎样把图和定位建的更好。1687年,伟大的英国科学家牛顿提出力学三大定律,为惯性导航技术奠定了理论基础。自20世纪60年代起,出现了挠性陀螺仪和动力谐调陀螺仪,同时平台式惯导系统发展迅速,并大量装备各种飞机、舰船、导弹和航天飞行器。Sagnac效应由法国物理学家 Sagnac 于 1913 年发现,其原理是干涉仪相对惯性空间静止时,光路 A 和 B 的光程相等,当有角速度时,光程不相等,便会产生干涉。同样基于Sagnac效原创 2022-12-31 10:54:39 · 1972 阅读 · 0 评论 -
多传感器融合定位五-点云地图构建及定位
前面做出了一个比较好的里程计,但是在实际项目使用的时候,都是基于地图的。原因如下:建图流程如下:目前比较可靠的方法还是ICP和NDT两个比较基础的方法(小范围可以使用里程计确定是不是在之前帧周边,大范围就需要用到GPS了)。论文:Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map基本思想为,将一圈点云分成很多的扇形,每个扇形在纵向上再切割成小段。三维点云展开,就成了二维原创 2022-12-20 19:41:12 · 2112 阅读 · 1 评论 -
多传感器融合定位四-3D激光里程计其四:点云线面特征提取
假如我们求一个点到线的距离的时候,假如这个线上有一百个点,不可能这一百个点都求一个点到线的距离,这个计算量会大到无法接受,这时只能选一部分点来计算点到直线的距离。应该将曲率最大的几个点选出来-----曲率大的点有更大的概率属于一个良好的线特征(错误归进来的点可能并不属于线特征,它们的曲率一般都是比较小的),反之亦然。假设我们有一个残差,我们需要对残差求雅可比,如果将雅可比直接输到代码里,叫做解析求导,就是说已经解析式的,将求导的公式告诉算法了。帧之前的某些帧,共同构建出来了一个特征集合的map。原创 2022-12-18 15:59:26 · 1752 阅读 · 0 评论 -
多传感器融合定位三-3D激光里程计其三:点云畸变补偿
时刻,激光雷达的相对旋转和相对平移变化即可。实际上,雷达点云是局部坐标系下的表示,当以0时刻雷达的位姿为基准坐标系时,此时。对每个激光点坐标做补偿,补偿量为激光点原点(即当时雷达坐标)相对于该帧起始时刻的变化。:每个激光点的坐标都是相对于雷达的,雷达运动时,不同激光点的坐标原点会不同。:有足够数量的点云才能进行匹配,且一周正好是周围环境的完整采集。:通常指雷达内部旋转一周扫描得到的点的集合。转一圈是需要时间的,过程中雷达可能是运动的。为当前采集时刻雷达的位置;为一帧点云中激光点的坐标。为激光束打到的位置;原创 2022-12-17 17:23:13 · 741 阅读 · 0 评论 -
多传感器融合定位二-3D激光里程计其二:NDT
这里的联合概率说的是将 X 划分成栅格(如上图),每个栅格里面都有很多点,这些点可以计算一个 均值/协方差,这是一个概率的概念。而联合概率是:Y 往 X 上旋转的时候,它落在栅格中的哪个格子里知道的。根据落在格子里的点,本身 X 格子已经有了一个 均值/协方差,而 Y 的这些落在格子里的点可以形成一个联合概率。与ICP这里有些区别,ICP的是点到点的距离,这里变成了联合概率。旋转和平移后的点与目标点集中的点在同一坐标系下,此时可计算各点的。目标是让所有点的联合概率最大。目标是让所有点的联合概率最大。原创 2022-12-17 16:19:56 · 946 阅读 · 0 评论 -
多传感器融合定位一-3D激光里程计其一:ICP
存在问题:在找配准点的时候,找的点是最近的,但是找的这个点不见得是真正在刚体里面匹配的点。这个时候点找错了,那么根据这个点计算出来的 R, t,肯定是不精确的。优化的思想在于让点逐渐收敛,不想做 SVD 分解,就给一初值,让这个初值按照一定策略逐渐搜索,直到搜索到要的 R 和 t 满足一定条件,就认为得到了最终确定的结果。解决思路:如上图所示,从蓝色的点云里面选一些点,根据这些点,在红色的点云里面找离它最近的一些点,根据这些匹配点,可以将 R, t 计算出来。,选取的是两个点集中能够互相关联的那些点,即。原创 2022-12-17 14:00:55 · 1177 阅读 · 1 评论 -
激光雷达标定 LCCNet:LiDAR and Camera Self-Calibration using Cost Volume Network
如图所示,可以注意到左侧使用红色矩形突出显示的 3D 结构无法投影到具有错误校准深度图像的 2D 对应物。个神经元的全连接层和两个 stacked 全连接层的分支组成,代表旋转和平移。由于每个部分的参数都是可微分的,因此可以对 CNN 进行端到端的训练。由于输入的特征图非常小,是全分辨率图像的 1/32,我们需要将值。组成的输入对,我们使用在训练期间两种类型的损失项:回归损失。损失的导数在零处不是唯一的,这可能会影响训练的收敛性。后一个较小的范围由使用前一个较大范围训练网络后预测结果的。原创 2022-09-21 19:47:13 · 3311 阅读 · 1 评论 -
栅格地图(occupancy grid map)构建
尺度地图:具有真实的物理尺寸,如 栅格地图、特征地图、点云地图,常用于地图构建、定位、SLAM、小规模路径规划。拓扑地图:不具备真实的物理尺寸,只表示不同地点的连通关系和距离,如铁路网,常用于大规模的机器人路径规划。语义地图:加标签的尺度地图,SLAM和深度学习的结合,常用于人机交互。其中对尺度地图进行补充说明,如下图所示:构建栅格地图的传感器(如相机、激光雷达、毫米波雷达传感器)是有噪声存在的,通俗的说,不一定准。举个例子,机器人在同一位姿的不同时刻,通过激光雷达对一个固定的障碍物探测距离不一致,一转载 2022-06-24 14:00:30 · 11167 阅读 · 3 评论 -
自动驾驶中激光雷达如何检测障碍物
自动驾驶中激光雷达如何检测障碍物1. 介绍1.1 激光雷达-一种三维激光传感器1.2 激光雷达的优缺点?1.3 基于激光雷达如何进行障碍物检测?1.4 点云处理难点2. 点云处理2.1 点云处理-体素网格2.1.1 什么是体素网格?3 三维点云的分割3.1 RANSAC3.1.1 RANSAC 的实现4. 障碍聚类4.1 点云聚类4.1.1 计算 KD-Tree4.1.2 欧式聚类5. 边界框5.1 PCA5.1.1 PCA 应用Reference:高翔,张涛 《视觉SLAM十四讲》自动驾驶中激光雷原创 2022-03-18 16:26:28 · 17087 阅读 · 8 评论 -
主流激光雷达分类及原理
主流激光雷达分类及原理1. 机械式激光雷达2. 混合固态激光雷达2.1 MEMS 振镜激光雷达三级目录Reference:主流激光雷达分类及原理激光雷达分类多种多样,比如按发射波形可分为脉冲形和连续形;按探测方式可分为直接探测和相干探测;按线束可分为单线和多线等。本文将按扫描方式将雷达进行分类介绍。1. 机械式激光雷达机械旋转式激光雷达的发射和接收模块存在宏观意义上的转动。在竖直方向上排布多组激光线束,发射模块以一定频率发射激光线,通过不断旋转发射头实现动态扫描。机械旋转Lidar分离的收转载 2021-09-21 13:54:49 · 9046 阅读 · 4 评论