【自动驾驶行业观察】干线物流的仓到仓自动驾驶方案解析
plusAI使用了8个摄像头,四个激光雷达,六个毫米波雷达,前向500m障碍物跟踪。
感知方案,兼顾了感知视野范围,对不同道路形状,路面起伏的感知。
摄像头使用了双目摄像头。
标定采用了Target based 的方法。
3D的话采用 iterative closest point (ICP),2D和3D的标定采用了Perspective-n-Point PnP。
lidar到imu是直接测量,没有对应关系,采用手眼标定,利用运动约束求出两个传感器之间的固定变化。
推荐视频:Andreas Geiger 的 Hand-Eye-Calibration for Registering a Velodyne laser scanner and a GPS/IMU
车身抖动明显出现的标定问题:
- 不同传感器直接相对位置变化。
- 传感器相对对面或大地坐标系的变化。
Sebastian Thrun论文,方法依赖好的离线标定初值,同时受边缘噪声的影响,基于图像的 IVT(inverse vision tranform)会求取大量的地面边缘,这些地方无法与lidar的深度不连续位置对应。进行了改进,引入地面估计,先估计传感器相对地面的外参变化,从而滤出地面的噪声边缘,来保证在线漂移修真精度,重点在于利用3D点对路面进行估计,同时plusAI,还是用了基于SGM(Semi Global Matching)的方法。
地图的优化中定义了一些损失函数,比如 projection error, GPS输出的平滑性以及可能的道路几何拓扑结构信息。
尤其是高速路环境的几何拓扑结构,给地图创建提供便利。为了得到清晰的车道线,需要对多线激光雷达的反射率进行标定。
利用GPS自己提供的covariance 以及 IMU和 wheel Encoder讲数据分为了三类
- reliable points
- drift points
- jump points
讲reliable固定住,另外两类采用 类似 ICP的方法进行修正。
LQR最为一种最优控制算法, 通过选择合适的调优参数,可以保证系统有一定的鲁棒稳定性,但是需要相对精确的动力学模型,且匹配的不确定和干扰会破坏系统的闭环性能,甚至发散。卡车的话,载荷变化范围大,载荷转移给模型带来很大变化。LQR无法保证在这些变量无法测量时的系统一致性。