インテリジェントカービジョンシステムキャリブレーションルームの建設 / 360度サラウンドビュー

インテリジェント車両の視覚システム校正は,自動運転とインテリジェント・コックピット (例えば360度サラウンドビュー) の正確な認識の礎です.2次元ピクセルを捕捉するので車両の意思決定には,3次元の空間における実際の物理位置 (車道線,障害物距離など) が必要ですカメラのピクセル座標体の座標/世界の座標"の数学的なマッピング関係を校正によって確立する必要があります.

自動車のインテリジェントビジョンシステムの完全な校正プロセスは,通常,生産ライン/静的校正,動的/オンライン校正,マルチセンサ関節校正以下は,コア校正プロセスの詳細な説明です.

1核校正パラメータの分類

調整の仕方を知っておく必要があります

内在パラメータ:カメラレンズ内の幾何学的歪みと焦点距離の性質を決定します.例えば,広角レンズの"魚の目"の歪みをなくし,曲線画像を直す.

外部パラメータ: 車両の座標系 (設置されたX,Y,Z座標と方向角度 Pitch,Yaw,Roll) でのカメラの特定の位置と向きを決定する.

2生産ライン/静的校正プロセス (主流の基礎)

静的校正は,自動車が工場を出る前に,または4Sストアでの保守後に,校正室で通常行われます.環境は制御され精度は非常に高い.

(1) 準備と環境設定

カリブレーションツール:特定の幾何学パターン (チェッカーボード,点配列図,または特殊なパノラマ・カリブレーション布など) を備えたカリブレーションボードを準備する.

環境要求:均一な照明を確保し,強い照明による過剰照明や,低照明による画像の特徴点を抽出できないことを避ける.

車両の状態: 車両は平らな表面に駐車し,タイヤ圧力が標準値に調整され,車両は完全に静止する必要があります (懸垂の揺れを防ぐために).

(2) 内部パラメータ校正 (通常はサプライヤの場所または積載前に完了)

データ収集: カメラは校正ボードを指し,異なる角度や距離から複数の写真 (通常10〜20) を撮影します.

アルゴリズム解析:業界は一般的に,張正貴校正法を採用している.アルゴリズムは,校正板上の角点 (特徴点) を識別し,数学的行列を使用してカメラの焦点距離 (f_x) を解く., f_y),主点位置 (u-0, v-0) と歪み係数 (半径と触角歪み).

(3) 外部パラメータの校正 (加載後に行う)

場所のレイアウト Place the calibration plate or calibration cloth accurately at known relative positions around the vehicle (using a total station or laser rangefinder to determine the position of the calibration plate relative to the vehicle axle and centerline).

特徴抽出: 車両の様々なカメラは,校正プレートを含む画像を撮影します.アルゴリズムは画像のカリブレーションプレートの対応する特徴点を自動的に検出します (サラウンドビューシステム内の4つのカリブレーション布の角点など).

外部パラメータマトリックス計算:画像の特徴点の"ピクセル座標"と実際の車両に対する"実際の物理座標"に基づいて,各カメラの回転行列Rと移動ベクトルTを車両座標系に対して計算する..

スプライスと検査 (例として360度のサラウンドビューを使用): 計算された外側を用いて,前,後ろ,左,右の4つのカメラの画像を投影します.鳥の視点 (BEV) の視点縫合の隙間 (地線など) が並べられているか幽霊の痕跡があるか確認します

3動的校正/オンライン校正プロセス (運転中に最適化)

自動車の運転過程で,長期にわたる衝突,熱膨張と収縮を引き起こす温度変化,または懸垂の負荷の変化により,カメラの外部カメラはわずかな移動を経験しますオンライン校正は"運転中に校正"を実現できます

[車両運転] ->[自然特性の検出 (レーンライン/道路標識) ] ->[特性の抽出と動力学との統合] ->[外部パラメータマトリスのオンライン再現更新]

(1) 特徴のトリガーと抽出

自動車が高速道路や都市通路などの通常の道路を走っているとき視覚アルゴリズムはリアルタイムで環境から自然特性を抽出します最も一般的に使用されるのは車道標識 (車道標識が車体の前に平行して無限に広がると仮定) と消える点です.

(2) マルチセンサ融合と状態推定

車両のIMU (慣性測定装置) と速度センサー (ホイールスピードゲー) を組み合わせることで,車両の姿勢の変化を推定します.

(3) 繰り返しの計算と訂正

Algorithms such as Kalman filtering or beam based adjustment (BA) continuously fine tune and correct the pitch and yaw angles of the camera by comparing the image changes between the current frame and historical framesレーンラインの幾何学的制約も,シームレスなダイナミックリフレッシュを実現します.

4共同校正プロセス (センサーの交差調整)

現代のスマートカーにはカメラだけでなく LiDARやミリ波レーダーも搭載されています. 融合前の認識を実行するためにデータを同じ空間座標系に並べます.

例えば,カメラをLiDAR (フォワードカメラとリダール校正) に変換する.

(1) 共同視野の取得: Place a specially designed calibration plate (usually with high reflectivity patterns or specific geometric shapes) that can be captured clearly by a camera and scanned by a laser radar in front of the car.

(2) データ抽出: カメラの2次元画像から,校正プレートの角や辺のピクセル座標を抽出する.

Extract the three-dimensional spatial feature points corresponding to the calibration plate from the three-dimensional point cloud of the LiDAR (using point cloud reflection intensity or plane fitting).

(3) 制約解き: 2つの特徴点のセットの間に最も適合するものを探し,最小正方形などの最適化アルゴリズムを使用します.カメラの座標系から3Dから2D変換マトリックスを計算します.

(4) アライナメント効果の検証: カメラの画像にLiDARの色の点雲を投影する.車両などの物体に完全に適合しているかどうかを観察します建物や車両が画像に映っています

5カリブレーション結果の検証と品質評価

カリブレーションが完了した後,商用に使用される前に厳格な指標評価を受けなければならない.

再投影エラー: 計算された3D空間点は,校正パラメータを使用して2D画像に再投影され,画像の実際のピクセルポイントからの偏差が計算されます.自動運転で平均的な再投影誤差は通常0.5から1ピクセル未満である必要があります.

パラメータ安定性チェック:左側と右側の遠鏡カメラやサラウンドビューカメラの相対的な幾何学的関係が機械構造の硬い常識に合致しているか確認する, アルゴリズムが局所的な最適解に引っかかって"変形"パラメータを計算するのを防ぐために.