Hiệu chuẩn Radar Xe Thông minh Phòng Hiệu chuẩn Ô tô Tích hợp Đa Cảm biến

Định chuẩn xe tự lái là một bước quan trọng trong việc lái xe tự động và công nghệ robot.hiệu chuẩn thiết lập các mối quan hệ hình học và toán học giữa các cảm biến khác nhau của xe tự trị, cũng như giữa các cảm biến và hệ thống tọa độ của xe. hiệu chuẩn không chính xác sẽ làm cho xe đánh giá sai hoặc lệch hướng, dẫn đến lỗi điều hướng hoặc thậm chí va chạm.

Định chuẩn xe tự lái chủ yếu được chia thành ba loại: hiệu chuẩn các tham số nội tại của cảm biến, hiệu chuẩn các tham số bên ngoài của cảm biến (hợp tác hiệu chuẩn),và hiệu chuẩn khung/kinematic.

1. Cảm biến nội tại tham số hiệu chuẩn

Định chuẩn tham số nội tại đề cập đến độ chính xác của cảm biến và thường được thực hiện độc lập tại nhà máy hoặc trước khi lắp đặt.

1 Mục đích của phép hiệu chuẩn tham số nội tại máy ảnh:Để có được độ dài tiêu cự, điểm chính và các thông số biến dạng của máy ảnh (để loại bỏ biến dạng thùng và đệm kim từ mắt cá hoặc ống kính thông thường).

Phương pháp phổ biến:Phương pháp hiệu chuẩn Zhang Zhengyou (sử dụng bàn cờ hoặc bảng hiệu chuẩn điểm, chụp nhiều bức ảnh từ các góc độ khác nhau).

2 Mục đích của IMU (Inertial Measurement Unit):Để xác định sự thiên vị, yếu tố mở rộng quy mô và tiếng ồn của máy đo tốc độ và gyroscope.

Phương pháp phổ biến:Phân tích biến dạng Allen tĩnh, thử nghiệm xoay nhiều vị trí.

2. Sensor Extrinsic Parameter Calibration

Định chuẩn tham số bên ngoài giải quyết các mối quan hệ vị trí giữa các cảm biến và giữa các cảm biến và thân xe (động cơ xoay tương đối không gian R và vector chuyển đổi T),Đó là nền tảng của sự hợp nhất đa cảm biến..

1 Camera và LiDAR

Mục tiêu: Để sắp xếp đám mây điểm 3D từ LiDAR với kích thước pixel của hình ảnh 2D từ máy ảnh, đạt được "màu sắc đám mây điểm" hoặc "thêm chiều sâu vào hình ảnh".

Phương pháp: Định chuẩn dựa trên mục tiêu: Một bảng hiệu chuẩn được đặt trong cảnh, và các điểm góc ván cờ trong hình ảnh và các mặt phẳng cạnh trong đám mây điểm được lấy ra.Các thông số bên ngoài được giải quyết bằng cách sử dụng các thuật toán tối ưu hóa.

Định chuẩn không mục tiêu (trên mạng): Các cạnh và đường xây dựng trong môi trường tự nhiên được sử dụng để phù hợp với gradient hình ảnh với cường độ cạnh của đám mây điểm.

2 LiDAR và Inertial Navigation/Body của xe

Mục tiêu: Chuyển đổi dữ liệu đo bởi LiDAR sang trung tâm của xe (thường là trung tâm trục sau hoặc trung tâm IMU) để đảm bảo rằng bản đồ và vị trí không bị trôi dạt.

Phương pháp: Chiếc xe chạy vòng tròn hình tám, lái xe thẳng hoặc quay ở vị trí trong đường chân trời hoặc địa hình cụ thể.Vị trí tương đối được tính bằng cách khớp các tính năng đám mây điểm với quỹ đạo tích hợp của IMU.

3 Chuẩn đoán đa LiDAR

Mục đích: Khi xe có nhiều LiDAR (ví dụ, một LiDAR chính + hai LiDAR điểm mù), khâu các đám mây điểm của chúng lại với nhau để tạo thành một tầm nhìn 360 ° hoàn chỉnh.

Phương pháp: Xóa các đặc điểm chung (ví dụ: mặt đất, tường) từ các khu vực chồng chéo và sử dụng thuật toán ICP (Iterative Closest Point) để đăng ký.

3. Chassis và hiệu chuẩn động học

Việc hiệu chuẩn khung xe giải quyết sự chính xác của các bộ điều khiển và đồng hồ đo tốc độ bánh xe, ngăn chặn chiếc xe "nghĩ rằng nó đã đi một mét khi nó chỉ đi nửa mét".

Chuẩn đoán đường kính bánh xe và đường ray: Định chuẩn bán kính thực tế r của hai bánh lái và khoảng cách thực tế W giữa các bánh xe ở cả hai bên.

Các tham số bên ngoài IMU/LiDAR

Phương pháp: Cho xe đi thẳng hoặc xoay 360 ° ở vị trí, so sánh dữ liệu được ghi lại bởi đồng hồ đo tốc độ bánh xe với độ dịch chuyển tuyệt đối và góc đo bởi LiDAR/INS,và điều chỉnh nhân số đo tốc độ bánh xe của quy mô.