저자 | 편집자 | 오토봇
원본 링크: https://www.zhihu.com/answer/3127818634
아래 카드를 클릭하여 " 자동 운전 하트 " 공개 계정 에 주목하십시오.
ADAS 점보건어물, 득템 가능
들어가려면 클릭→ Autopilot의 심장【SLAM】기술 교류 그룹
이 글은 학술 공유만을 위한 글이며, 침해 사항이 있을 경우 글 삭제를 위해 연락주시기 바랍니다.
두 달이 지났는데 문제가 해결되었는지 모르겠습니다 :D
처음부터 VIO나 LIO를 쓴다면 도망가는 것이 정상이고, 도망치지 않는다면 매우 재능이 있고 한숨에 모든 주문을 정확하게 암송할 수 있다는 뜻입니다. 실제 시스템의 미세한 디테일 차이로 인해 IMU 시스템이 통제 불능 상태가 될 수 있습니다. 곧.
그리고 시스템을 최적화하는 것은 필터보다 간단하지 않습니다. 최적화도 각 요인의 균형을 조정해야 하고, 자코비안 행렬과 정보행렬에 행렬 블록의 인덱스를 잘못 쓰기 쉽고, 직접 확인하는 것 외에는 아무도 도와줄 수 없다:D 기억이 있었다. 새고 몇 주 동안 조정할 수 없었습니다.
처음부터 작성해야 한다고 주장하는 경우 다음 단계를 따르는 것이 좋습니다.
먼저 VO 또는 LO를 바로 잡습니다. 대부분의 시스템은 IMU 없이 실행할 수 있으므로 순수 비전 및 순수 레이저 시스템이 일반적으로 정확합니다.
IMU의 단위가 자이로 및 가속도계의 단위와 같이 예상과 일치하는지, 가속도계에 감쇠가 있는지 확인하십시오. IMU의 3축 방향이 예상과 같은지 확인합니다(시각 좌표계와 레이더 좌표계는 일반적으로 다르며, 레이더 Z는 위를 향하고 카메라 Z는 전방을 향함).
필터의 F 배열과 H 배열의 요소와 기호가 반전되어 있는지 확인하십시오. 오픈소스 프레임워크를 사용한다면 보통은 맞지만, 직접 작성한다면 꼭 그렇지는 않습니다.
위의 모든 사항이 맞다면 궤적의 "비행"은 일반적으로 추가로 인해 발생합니다(자이로는 통합과 함께 직접 비행하지 않지만 추가는 가능합니다). 각 데이터 세트의 누적 성능은 크게 다르며 일반화할 수 없습니다. 실제로 덧셈 부분을 먼저 제거하고 VO 또는 LO로 추정한 번역을 그대로 사용할 수 있습니다. 그런 다음 이 변환이 속도 + 가속도계를 사용하여 추정한 것과 일치하는지 확인하십시오. 일치하지 않으면 일반적으로 좌표계에 문제가 있는 것입니다.
마지막은 튜닝입니다. VO 및 LO가 정상적으로 작동할 수 있을 때 IMU의 노이즈를 더 크게 설정하면 EKF가 비전 또는 레이저 부품에 의해 지배됩니다. 모든 것이 정상이면 IMU의 노이즈 값을 천천히 줄이십시오. IMU의 캘리브레이션을 너무 믿지 마세요.이론적으로 12페이지가 넘는 공식을 보았고 노이즈 매개변수는 종종 실제로 10 또는 100을 곱합니다.정상입니다.
marginalization, FEJ, observability, P-cut space projection 등에 관해서는 큰 영향을 미치지 않을 것입니다. 디버깅 초기 단계에서 할 필요도 없고 각 반복 후에 P 배열을 단위 배열로 설정할 수도 있습니다. 순수한 VO 또는 LO를 비행하지 않는 한 EKF도 비행하지 않습니다.
MSCKF는 직접 작성하는 것을 권장하지 않습니다. 제 인턴 중 한 명이 2년 반 동안 제 MSCKF-LIO를 숨기고 @白徐行을 졸업할 때까지 작성하지 않았습니다. EKF를 기반으로 다중 상태 부분을 추가할 수 있으며 시각적으로 Mr. Huang의 계획을 참조할 수 있습니다.
그러면 종이와 코드 사이의 불일치가 정상입니다. 정확한 일치는 일반적으로 저자가 졸업했거나 업데이트하기에 너무 게으르다는 것을 나타냅니다. 코드는 계속해서 진화하고 있고, 종이가 하나 더 있으면 또 종이가 하나 더 있습니다.
EKF의 dx를 계산하는 방법에는 여러 가지가 있는데 일반적으로 K에 혁신을 곱한 값이고 나머지는 K를 변형으로 바꾸는 것입니다. K 자체는 중간 변수이며 이를 작성하는 방법에는 여러 가지가 있습니다. 나는 보통:
핵심은 H 배열이나 invation에 잘못된 기호가 없다는 것입니다(물론 때로는 둘 다 잘못되었고 옳은 것과 같습니다).
질문이 있으시면 토론을 환영합니다.
① 전체 네트워크의 독점 비디오 코스
BEV 인식, 밀리미터파 레이더 비전 융합, 다중 센서 보정, 다중 센서 융합, 다중 모달 3D 객체 감지, 포인트 클라우드 3D 객체 감지, 객체 추적, Occupancy, cuda 및 TensorRT 모델 배포, 협업 인식, 시맨틱 분할, 자율주행 시뮬레이션, 센서 배치, 의사결정 계획, 궤적 예측 및 기타 학습 동영상(스캔 코드 학습)
비디오 공식 웹사이트: www.zdjszx.com
② 중국 최초의 자율주행 학습 커뮤니티
자율주행 인식(2D 감지, 분할, 2D/3D 차선, BEV 인식, 3D 물체 감지, 점유, 다중 센서 융합, 다중 센서 보정, 표적 추적, 광학 흐름 추정), 자동 주행 위치 및 매핑(SLAM, 고정밀 지도, 로컬 온라인 지도), 자동 주행 계획 제어/궤적 예측 및 기타 기술 솔루션, AI 모델 배치 실전, 업계동향, 채용공고, 아래 QR코드 스캔을 환영합니다. 자율주행의 심장 지식플래닛, 이곳은 진짜 건어물이 있는 곳입니다. , 일하고, 이직하고, 서류 + 코드를 매일 공유 + 비디오 , 소통을 기대합니다!
③【오토파일럿의 심장】기술교류단
The Heart of Autopilot은 물체 감지, 시맨틱 분할, 파노라마 분할, 인스턴스 분할, 주요 지점 감지, 차선, 물체 추적, 3D 물체 감지, BEV 인식, 다중 모드 인식, 점유, 다중에 초점을 맞춘 최초의 자동 조종 장치 개발자 커뮤니티입니다. -센서융합, 변압기, 대형모델, 포인트클라우드처리, 종단간자동주행, SLAM, 광류추정, 깊이추정, 궤적예측, 고정밀지도, NeRF, 계획제어, 모델배치, 자동주행시뮬레이션 테스트 , 제품 관리자, 하드웨어 구성, AI 구직 및 커뮤니케이션 등 QR 코드를 스캔하여 Autobot Assistant WeChat을 추가하여 그룹에 초대하세요. 참고: 학교/회사 + 방향 + 닉네임(그룹에 가입하는 빠른 방법)
④【Automatic Driving Heart】플랫폼 매트릭스, 저희에게 연락을 환영합니다!
