自动驾驶汽车的工作模块组合(其中定位精度的要求比GPS苛刻得多):
①计算机视觉
②融合感知
③定位
④路径规划
⑤控制
高精度地图和普通地图的区别:(高精度地图有更多的辅助驾驶信息和更高的精度)
①高精度地图拥有道路网的精确三维表征:如路标位置
②高精度地图拥有道路的语义信息:比如当前时刻红绿灯的颜色
③高精度地图能达到厘米级别精度,而普通地图为米级精度:确保安全
高精度地图的构建:
①数据采集
②数据处理
③对象检测
④手动验证
⑤地图发布
车辆自定位的实现过程:
通过结合各种传感器(如相机的图像以及激光雷达收集到的点云数据)的数据,与高精度地图上的地标进行对比。这一过程依赖预处理、坐标转化、和数据融合技术。
坐标变换:将不同视角的数据进行坐标系统一。
数据融合:将不同车辆搜集到的数据进行融合。
因此车辆需要高精度地图,以便知道自身的位置。
①利用高精度地图实现感知(弥补各种传感器的环境、距离、障碍物等方面的限制)
②利用高精度地图缩小传感器的检测范围:感兴趣区域(ROI),提升计算速度,节省资源
规划软件也依赖高精度地图:
①高精度地图有助于寻找合适的行车区间
②高精度地图帮助软件进行预测
三角测量定位(二维) :GPS定位原理
无人驾驶车有四个感知世界的任务:
检测(Detection):找出物体在环境中的位置
分类(Classification):明确对象是什么
追踪(Tracking):随着时间的推移观察移动的物体:如行人,自行车
语义分割(Segmentation):将每个像素和语义进行匹配
分类器(Classification)工作流程
卷积神经网络对于感知至关重要:前向传播,输入input,经过神经网络输出output。反向传播:将output与真值对比得到误差,将误差反向传播来更新权值。使用一个CNN网络进行检测(Detection)和分类(Classification)
跟踪(Tracking)步骤:(让电脑知道此时的那一帧像素与下一帧对应)
①确认身份(在所有帧中寻找特征匹配度最高的图像,也要考虑位置和速度的变化)
②利用图像的位置等信息预测下一时刻的位置,有助于识别下一时刻的相应对象
融合感知:
camera在分类Classification和车道检测问题上表现得很好
激光雷达(Lidar)的优势在于障碍检测
雷达(Radar)在探测范围和恶劣天气探测占优势
卡尔曼滤波策略(一种融合感知策略):
①预测状态
②更新测量结果(两种方式:同步和异步)
同步融合(Synchronous):同时更新不同传感器的测量结果
异步融合(Asynchronous):逐步融合不同传感器的测量结果
原视频教程地址:Apollo