（轉）Apollo 2.0 框架及源碼分析(三) | 感知模塊 | Radar & Fusion

https://zhuanlan.zhihu.com/p/33852112

文章提到了幾個點：

一、雷達radar部分：

Apollo 2.0 的座標體系是以 Lidar 爲基準的。Apollo 可能認爲 Velodyne 的位置是最準確的，因此 Camera 的位置標定參考 Velodyne, Radar 的標定參考 Camera。

阿波羅的感知幾乎都依賴高精地圖預先做ROI處理，以減少傳感器數據處理的計算量浪費。

radar部分的代碼，用到了一些方法來判斷radar返回的對象是不是背景雜波。

Apollo 推薦使用的毫米波爲Continental 的 ARS 408-21。ARS 408-21的介紹文檔裏也有簡單提到，它可以對障礙物進行分類。但可靠性未知。該radar能追蹤120個objects：大陸的Radar能夠detect到超過120個object(沒有進行過fusion的只有一點的cluster single point cluster)。 這種量產的Radar一般自帶簡單的detection和tracking算法。所以raw_object會有id，一般自帶的算法會有 id, heading, velocity，object size， distance這些信息。在實際的測試過程中，該ID號是不能夠作爲跟蹤關聯的依據的，因爲ID號在障礙物交叉的時候會出錯。因此還應該再做一次關聯！

二、融合部分（radar 和 lidar）：

object-level 的數據融合，該部分的輸入爲各傳感器處理後的得到的object。

 

多源信息的數據融合中，根據數據抽象層次，融合可分爲三個級別：

• 數據級融合 傳感器裸數據融合，精度高、實時性差，要求傳感器是同類的
• 特徵級融合 融合傳感器抽象的特徵向量(速度，方向等)，數據量小、損失部分信息
• 決策級融合 傳感器自身先做出決策，融合決策結果，精度低、通信量小、抗干擾強

Apollo 應該是在特徵層面對 objects 進行了融合。每當節點收到新的一幀數據的時候，融合部分就被調用。融合部分的輸入爲 SensorObjects, 輸出爲融合後的 object， 其大體的流程如下圖所示。

傳感器的數據融合有兩部分內容比較重要，即 數據關聯 和 動態預估。

數據關聯用的是基於幾何距離的HM匈牙利算法。

動態預估用的是：使用了非簡化的估計誤差協方差矩陣  更新公式：

• 標準卡爾曼濾波：
• Apollo：

結合 Wikipedia 上關於卡爾曼濾波的介紹，我先總結下該問題的背景:

1. Apollo 使用的估計誤差協方差矩陣  的更新公式是所謂的 Joseph form，而標準卡爾曼濾波通常使用的是簡化版的更新公式
2. 簡化版的更新公式計算量小，實踐中應用廣，但只在 卡爾曼增益爲最優 時有效
3. 必須使用 Joseph form 的兩種情況：

• 使用了非最優卡爾曼增益
• 算法精度過低，造成了數值穩定性相關的問題

阿波羅平臺的計算力強大，因此爲了算法精度，選擇了非簡化的P

 

 

三、總結：