自动驾驶技术-环境感知篇:多传感器融合技术
傳感融合技術(shù)概述
在前面幾篇文章,筆者分別介紹了自動駕駛環(huán)境感知領(lǐng)域的一些技術(shù),包含雷達技術(shù)、攝像頭和視覺建模技術(shù)、V2X技術(shù)。無論是哪一類型的技術(shù),都是在幫助車輛的決策系統(tǒng)獲取車輛運行過程中的數(shù)據(jù),但是每一種傳感器都存在著不確定性,比如激光雷達和攝像頭會受到極端天氣的影響。正是因為這個原因,導(dǎo)致在自動駕駛技術(shù)在環(huán)境感知環(huán)節(jié)依賴于多傳感器的數(shù)據(jù)融合,這樣才能讓不同的傳感器在不同的環(huán)境下發(fā)揮自身的最大作用。所以本篇文章將重點介紹下,如何實現(xiàn)自動駕駛傳感器的融合。
傳感器融合的問題和挑戰(zhàn)
傳感器數(shù)據(jù)融合面臨著許多技術(shù)上的挑戰(zhàn):
數(shù)據(jù)對準(zhǔn)問題
首先各個傳感器收集的數(shù)據(jù)要對準(zhǔn)是自動駕駛決策的前提,前面幾篇文章講了數(shù)據(jù)的標(biāo)定,包含雷達的數(shù)據(jù)標(biāo)定和攝像頭的數(shù)據(jù)標(biāo)定。
需要將各個傳感器的數(shù)據(jù)在一個空間坐標(biāo)系做標(biāo)定,才能讓來自各個方面的數(shù)據(jù)發(fā)揮價值。另外所有傳感器單位統(tǒng)一,比如激光攝像頭與毫米波攝像頭都要統(tǒng)一使用毫米作為單位。
另外還要注意數(shù)據(jù)傳輸?shù)臅r效問題,因為數(shù)據(jù)都是從各個傳感器傳遞到中央處理模塊,各個線路數(shù)據(jù)傳輸?shù)臅r延要加以控制,才能使采集的數(shù)據(jù)可以保持在同一個時間維度
2.數(shù)據(jù)不確定性問題
因為傳感器的工作環(huán)境不同,可能受到外部環(huán)境雨雪、光線的影響,也可能受到內(nèi)部的溫度、電壓影響,也可能出現(xiàn)特殊情況,比如路面顛簸造成的影響,使得數(shù)據(jù)出現(xiàn)不準(zhǔn)確的問題。在數(shù)據(jù)融合過程中,如何通過算法來甄選出哪些是噪聲數(shù)據(jù),哪些是真實數(shù)據(jù)也是一個需要解決的問題
多傳感器融合結(jié)構(gòu)
傳感器的數(shù)據(jù)融合分為三個基本模式,分別是集中式、分布式和混合式,接下來分別介紹下。
1.集中式
集中式的方案是所有傳感器采集的數(shù)據(jù)全部送到中央處理器做處理。這樣做的優(yōu)點是沒有信息損失,便于中央處理器拿到全部的信息,可以做最精準(zhǔn)的判斷。劣勢在于需要傳輸?shù)臄?shù)據(jù)量較大,因為傳輸?shù)亩际窃紙D像和日志信息,另外對中央處理器的計算能力要求很高。
2.分布式
分布式的方案是每個傳感器在獲取數(shù)據(jù)后先進行數(shù)據(jù)的處理,將有價值的信息甚至是部分決策結(jié)果反饋給中央處理器。這樣信息的損失可能會大一些,另外對于傳感器的計算能力有一定要求,但是會大大減少數(shù)據(jù)傳輸帶來的性能要求,并且會緩解中央處理器的數(shù)據(jù)處理量。
3.混合式
混合式指的是分布式和集中式的融合方案,某些模塊采取混合式,某些模塊采取集中式,混合式也是目前來看比較合理的一個方式。
多傳感器數(shù)據(jù)融合算法
因為不同的傳感器都存在數(shù)據(jù)準(zhǔn)確性的問題,那么最終融合的數(shù)據(jù)該如何判定?比如激光雷達報告前車距離是5m,毫米波雷達報告前車距離是5.5m,攝像頭判定前車距離是4m,最終中央處理器該如何判斷。通常需要一套多數(shù)據(jù)融合的算法來解決這個問題。
多數(shù)據(jù)融合的算法有很多種,本文介紹一個經(jīng)典算法-卡爾曼濾波。卡爾曼濾波是一種高效率的遞歸濾波器,他能從一系列完全包含噪聲的測量數(shù)據(jù)中,估計動態(tài)系統(tǒng)的狀態(tài),在自動駕駛、航天、溫度測量等領(lǐng)域有很多應(yīng)用。
卡爾曼濾波的基礎(chǔ)思想采用信號與噪聲的狀態(tài)空間模型,利用前一時刻的估計值和現(xiàn)時刻的觀測值來更新對狀態(tài)變量的估計,求出現(xiàn)時刻的估計值。通過預(yù)測-實測-修正的順序遞歸,消除隨機干擾。
網(wǎng)上有一個介紹卡爾曼濾波原理的小例子:
假如我們要估算k時刻的實際溫度值。首先你要根據(jù)k-1時刻的溫度值,來預(yù)測k時刻的溫度。因為你相信溫度是恒定的,所以你會得到k時刻的溫度預(yù)測值是跟k-1時刻一樣的,假設(shè)是23度,同時該值的高斯噪聲的偏差是5度(5是這樣得到的:如果k-1時刻估算出的最優(yōu)溫度值的偏差是3,你對自己預(yù)測的不確定度是4度,他們平方相加再開方,就是5)。然后,你從溫度計那里得到了k時刻的溫度值,假設(shè)是25度,同時該值的偏差是4度。
由于我們用于估算k時刻的實際溫度有兩個溫度值,分別是23度和25度。究竟實際溫度是多少呢?相信自己還是相信溫度計呢?究竟相信誰多一點,我們可以用他們的協(xié)方差(covariance)來判斷。因為Kg=5^2/(5^2+4^2),所以Kg=0.61,我們可以估算出k時刻的實際溫度值是:23+0.61*(25-23)=24.22度。可以看出,因為溫度計的協(xié)方差(covariance)比較小(比較相信溫度計),所以估算出的最優(yōu)溫度值偏向溫度計的值。
總結(jié)
以上是生活随笔為你收集整理的自动驾驶技术-环境感知篇:多传感器融合技术的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 关于自动驾驶的思考以及我准备做的事情
- 下一篇: 为什么要写《机器学习实践应用》这本书