- 定位:Where we are
- 感知:What we see
- 预测:How the environment will change
- 规划:How we move
- 控制:How to control the car
目录
感知概貌
感知是机器人学科的问题
是机器人向人学习的一个过程。
多个维度看感知的问题
传感器维度,目标维度,算法维度等等
传感器和标定
传感器的选择
传感器安装
传感器安装要考虑覆盖范围,遮挡情况,和不同传感器后期融合处理等。
传感器标定
主要基于标定间的lidar-camera标定
标定,主要是指使用标准的计量仪器对所使用仪器的准确度(精度)进行检测是否符合标准,一般大多用于精密度较高的仪器 。标定也可以认为是校准。在无人车中是未来标定不同传感器的位置,使得不同传感器获得的信息在融合时更好的计算。
Apollo标定是在标定间进行的,在标定间内,有camera相关的标定和lidar相关的标定
感知算法
Lidar感知
lidar感知主要用于感知障碍物,进而对其进行检测
包括启发式算法NCut和深度学习算法CNNSeg
启发式算法需要先构建graph,然后对graph分割成cluster,一个cluster是一个障碍物。
深度学习方法是数据驱动的方法
Front view是将车辆的四周环境都投到向前视角,看作一个长矩阵
Bird view是从上向下看的视角,对点云数据的处理
正如faster RCNN的处理方法,对数据提取特征后,在RPN网络中获得大量的proposal区域,进而判断每个区域中物体的类别和位置。在此之前需要使用MV3D来对Lidar和camera数据进行融合。
点云数据在KITTI数据中较少,许多场景还需自己采集数据
视觉感知
CNN检测
相关算法,Faster RCNN、FCN、FPN、yolo、SSD等
CNN分割
Apollo有自己的ApolloScape分割数据集
分割内容包括点云的分割和图像的分割
对于一些物体,使用分割的方法比检测方法更好的获取信息。
对于车道线,分割的方法可以使用检测车道线点后连成线代替
后处理计算
红绿灯
雷达感知
可以很好的感知高速公路的栅栏
超声波感知
感知中的机器学习
感知的未来