plusAI使用了8個攝像頭,四個激光雷達,六個毫米波雷達,前向500m障礙物跟蹤。
感知方案,兼顧了感知視野範圍,對不同道路形狀,路面起伏的感知。
攝像頭使用了雙目攝像頭。
標定採用了Target based 的方法。
3D的話採用 iterative closest point (ICP),2D和3D的標定採用了Perspective-n-Point PnP。
lidar到imu是直接測量,沒有對應關係,採用手眼標定,利用運動約束求出兩個傳感器之間的固定變化。
推薦視頻:Andreas Geiger 的 Hand-Eye-Calibration for Registering a Velodyne laser scanner and a GPS/IMU
車身抖動明顯出現的標定問題:
- 不同傳感器直接相對位置變化。
- 傳感器相對對面或大地座標系的變化。
Sebastian Thrun論文,方法依賴好的離線標定初值,同時受邊緣噪聲的影響,基於圖像的 IVT(inverse vision tranform)會求取大量的地面邊緣,這些地方無法與lidar的深度不連續位置對應。進行了改進,引入地面估計,先估計傳感器相對地面的外參變化,從而濾出地面的噪聲邊緣,來保證在線漂移修真精度,重點在於利用3D點對路面進行估計,同時plusAI,還是用了基於SGM(Semi Global Matching)的方法。
地圖的優化中定義了一些損失函數,比如 projection error, GPS輸出的平滑性以及可能的道路幾何拓撲結構信息。
尤其是高速路環境的幾何拓撲結構,給地圖創建提供便利。爲了得到清晰的車道線,需要對多線激光雷達的反射率進行標定。
利用GPS自己提供的covariance 以及 IMU和 wheel Encoder講數據分爲了三類
- reliable points
- drift points
- jump points
講reliable固定住,另外兩類採用 類似 ICP的方法進行修正。
LQR最爲一種最優控制算法, 通過選擇合適的調優參數,可以保證系統有一定的魯棒穩定性,但是需要相對精確的動力學模型,且匹配的不確定和干擾會破壞系統的閉環性能,甚至發散。卡車的話,載荷變化範圍大,載荷轉移給模型帶來很大變化。LQR無法保證在這些變量無法測量時的系統一致性。