Apollo感知二——感知类型与算法

  • 定位:Where we are
  • 感知:What we see
  • 预测:How the environment will change
  • 规划:How we move
  • 控制:How to control the car

目录

感知概貌

传感器和标定

传感器的选择

传感器安装

传感器标定  

感知算法

Lidar感知

视觉感知

CNN检测

CNN分割

后处理计算

红绿灯

雷达感知

超声波感知

感知中的机器学习

感知的未来

感知概貌

感知是机器人学科的问题

是机器人向人学习的一个过程。

       Apollo感知二——感知类型与算法_第1张图片

多个维度看感知的问题

传感器维度,目标维度,算法维度等等

                 Apollo感知二——感知类型与算法_第2张图片 

传感器和标定

传感器的选择

         Apollo感知二——感知类型与算法_第3张图片

传感器安装

传感器安装要考虑覆盖范围,遮挡情况,和不同传感器后期融合处理等。

        Apollo感知二——感知类型与算法_第4张图片

传感器标定  

主要基于标定间的lidar-camera标定

标定,主要是指使用标准的计量仪器对所使用仪器的准确度(精度)进行检测是否符合标准,一般大多用于精密度较高的仪器 。标定也可以认为是校准。在无人车中是未来标定不同传感器的位置,使得不同传感器获得的信息在融合时更好的计算。

                  Apollo感知二——感知类型与算法_第5张图片

Apollo标定是在标定间进行的,在标定间内,有camera相关的标定和lidar相关的标定

Apollo感知二——感知类型与算法_第6张图片

Apollo感知二——感知类型与算法_第7张图片

感知算法

                                                      Apollo感知二——感知类型与算法_第8张图片

Lidar感知

lidar感知主要用于感知障碍物,进而对其进行检测

包括启发式算法NCut和深度学习算法CNNSeg

  Apollo感知二——感知类型与算法_第9张图片

启发式算法需要先构建graph,然后对graph分割成cluster,一个cluster是一个障碍物。

    Apollo感知二——感知类型与算法_第10张图片

深度学习方法是数据驱动的方法 

    Apollo感知二——感知类型与算法_第11张图片

Front view是将车辆的四周环境都投到向前视角,看作一个长矩阵

Bird view是从上向下看的视角,对点云数据的处理

正如faster RCNN的处理方法,对数据提取特征后,在RPN网络中获得大量的proposal区域,进而判断每个区域中物体的类别和位置。在此之前需要使用MV3D来对Lidarcamera数据进行融合。

点云数据在KITTI数据中较少,许多场景还需自己采集数据

       Apollo感知二——感知类型与算法_第12张图片

视觉感知

          Apollo感知二——感知类型与算法_第13张图片

CNN检测

相关算法,Faster RCNN、FCN、FPN、yolo、SSD等

                 Apollo感知二——感知类型与算法_第14张图片

CNN分割

Apollo有自己的ApolloScape分割数据集

分割内容包括点云的分割图像的分割

对于一些物体,使用分割的方法比检测方法更好的获取信息。

对于车道线,分割的方法可以使用检测车道线点后连成线代替

后处理计算

                  Apollo感知二——感知类型与算法_第15张图片

红绿灯

       

        

     Apollo感知二——感知类型与算法_第16张图片

雷达感知

可以很好的感知高速公路的栅栏

        

超声波感知

          Apollo感知二——感知类型与算法_第17张图片

感知中的机器学习

                 Apollo感知二——感知类型与算法_第18张图片

感知的未来

                Apollo感知二——感知类型与算法_第19张图片

你可能感兴趣的:(Apollo课程)