지능형 차량 레이더 캘리브레이션 멀티 센서 퓨전 자동차 캘리브레이션 룸

자율주행차량의 캘리브레이션은 자율주행 및 로봇 기술에서 매우 중요한 단계입니다. 간단히 말해, 캘리브레이션은 자율주행차량의 다양한 센서 간, 그리고 센서와 차량의 좌표계 간의 기하학적 및 수학적 관계를 설정하는 것입니다. 부정확한 캘리브레이션은 차량이 잘못 판단하거나 경로를 벗어나게 하여 내비게이션 실패 또는 충돌로 이어질 수 있습니다.

자율주행차량 캘리브레이션은 주로 센서 내부 파라미터 캘리브레이션, 센서 외부 파라미터 캘리브레이션(결합 캘리브레이션), 섀시/운동학 캘리브레이션의 세 가지 범주로 나뉩니다.

1. 센서 내부 파라미터 캘리브레이션

내부 파라미터 캘리브레이션은 센서 자체의 정확도를 다루며, 일반적으로 공장 또는 설치 전에 독립적으로 수행됩니다.

카메라 내부 파라미터 캘리브레이션의 목적:카메라의 초점 거리, 주점, 왜곡 파라미터(어안 렌즈 또는 일반 렌즈의 배럴 왜곡 및 핀쿠션 왜곡 제거)를 얻기 위함입니다.

일반적인 방법:Zhang Zhengyou 캘리브레이션 방법(체커보드 또는 점 캘리브레이션 보드를 사용하고, 여러 각도에서 여러 장의 사진을 촬영).

IMU(관성 측정 장치) 내부 파라미터 캘리브레이션의 목적:가속도계 및 자이로스코프의 바이어스, 스케일링 계수, 노이즈를 결정하기 위함입니다.

일반적인 방법:정적 Allen 분산 분석, 다중 위치 회전 테스트.

2. 센서 외부 파라미터 캘리브레이션

외부 파라미터 캘리브레이션은 센서 간, 그리고 센서와 차량 본체 간의 위치 관계(공간적 상대 회전 모멘트 R 및 변환 벡터 T)를 다루며, 이는 다중 센서 융합의 기초입니다.

카메라와 LiDAR

목표: LiDAR의 3D 포인트 클라우드를 카메라의 2D 이미지 픽셀 차원에 정렬하여 "포인트 클라우드 색상 지정" 또는 "이미지에 깊이 추가"를 달성합니다.

방법: 타겟 기반 캘리브레이션: 장면에 캘리브레이션 보드를 배치하고, 이미지의 체커보드 모서리 포인트와 포인트 클라우드의 에지 평면을 추출합니다. 외부 파라미터는 최적화 알고리즘을 사용하여 해결됩니다.

타겟리스(온라인) 캘리브레이션: 자연 환경의 에지 및 건물 라인을 사용하여 이미지 기울기와 포인트 클라우드의 에지 강도를 일치시킵니다.

LiDAR와 관성 항법/차량 본체

목표: LiDAR로 측정된 데이터를 차량 중심(일반적으로 후륜 차축 중심 또는 IMU 중심)으로 변환하여 매핑 및 위치 파악이 벗어나지 않도록 합니다.

방법: 차량이 수평면 또는 특정 지형 내에서 8자 모양으로 회전하거나, 직선으로 주행하거나, 제자리에서 회전합니다. 포인트 클라우드 특징과 IMU의 적분 궤적을 일치시켜 상대적인 자세를 계산합니다.

다중 LiDAR 캘리브레이션

목적: 차량에 여러 개의 LiDAR(예: 메인 LiDAR 1개 + 사각지대 LiDAR 2개)가 있을 때, 포인트 클라우드를 함께 스티칭하여 완전한 360도 시야를 형성합니다.

방법: 중첩 영역에서 공통 특징(예: 지면, 벽)을 추출하고 ICP(Iterative Closest Point) 알고리즘을 사용하여 등록합니다.

3. 섀시 및 운동학 캘리브레이션

섀시 캘리브레이션은 액추에이터와 휠 속도계의 정확도를 다루며, 차량이 "실제로는 반 미터만 이동했음에도 불구하고 1미터를 이동했다고 생각하는 것"을 방지합니다.

휠 직경 및 트랙 캘리브레이션: 두 구동 휠의 실제 유효 반경 r과 양쪽 휠 사이의 실제 거리 W를 캘리브레이션합니다.

오도미터 및 IMU/LiDAR 외부 파라미터

방법: 차량을 직선 거리로 주행시키거나 제자리에서 360도 회전시킨 후, 휠 속도계에서 기록된 데이터와 LiDAR/INS에서 측정된 절대 변위 및 각도를 비교하여 휠 속도계의 스케일링 계수를 보정합니다.