1 Estado cantidad de posicionamiento objetivo
Use la esquina inferior izquierda como origen para establecer un sistema de coordenadas rectangular,
x: la abscisa del carro;
y: la coordenada longitudinal del automóvil;
2 Método de fusión multisensor-filtro Kalman
Aquí miramos primero la descripción de Baidu en el curso Apollo:
"En Apollo, la solución de navegación inercial (solución de navegación inercial) se usa para el paso de predicción del filtro de Kalman. La localización GNSS (GPS) y LiDAR se usan para la medición paso de actualización del filtro de Kalman ".
3 Tipo de sensor utilizado
3.1 Sensores utilizados
Velocímetro (categoría IMU): mostrará la velocidad de movimiento del automóvil en tiempo real (si se mueve, se mostrará la velocidad de movimiento; si no se mueve, la velocidad será 0)
SLAM front end (usando sub-algoritmo de características): dará el desplazamiento relativo del automóvil;
GPS: información de coordenadas globales (no muy precisa, puede ser más precisa a través de la coincidencia de plantillas);
3 Escribir la ecuación de estado
Cuando no hay movimiento, la matriz de transferencia es la matriz de identidad;
el frente SLAM se usa como la variable de control
;
4 Escritura de ecuaciones de observación
4.1 Posicionamiento de alta precisión basado en coordenadas GPS
Entrada: datos de coordenadas GPS;
use coordenadas GPS para obtener la cobertura de mapas de alta precisión, y luego use la coincidencia de plantillas para un posicionamiento preciso, a
fin de obtener coordenadas precisas basadas en consultas de mapas de alta resolución;
4.1.1 Optimización de la eficiencia de coincidencia de plantillas
El maestro Chen dijo esto: "Solo puede cambiar el algoritmo de coincidencia, o usar la pirámide de imagen o la reducción de dimensión"
¿No sabe si puede cambiar el tamaño del paso?
4.2 Modelo de la ecuación de observación
Si se determina que el valor del sensor de observación no es confiable en este momento, la salida de la ecuación de observación se puede establecer en 0 en este momento;
5 observaciones
5.1 Escuché que la implementación SIFT de VLFeat es mejor que OpenCV
Pruébalo la próxima vez