【自动驾驶行业观察】干线物流的仓到仓自动驾驶方案解析

plusAI使用了8个摄像头，四个激光雷达，六个毫米波雷达，前向500m障碍物跟踪。

感知方案，兼顾了感知视野范围，对不同道路形状，路面起伏的感知。

摄像头使用了双目摄像头。

 标定采用了Target based 的方法。

 3D的话采用 iterative closest point (ICP)，2D和3D的标定采用了Perspective-n-Point PnP。

 lidar到imu是直接测量，没有对应关系，采用手眼标定，利用运动约束求出两个传感器之间的固定变化。

推荐视频：Andreas Geiger 的 Hand-Eye-Calibration for Registering a Velodyne laser scanner and a GPS/IMU

 车身抖动明显出现的标定问题：

1. 不同传感器直接相对位置变化。
2. 传感器相对对面或大地坐标系的变化。

Sebastian Thrun论文，方法依赖好的离线标定初值，同时受边缘噪声的影响，基于图像的 IVT(inverse vision tranform)会求取大量的地面边缘，这些地方无法与lidar的深度不连续位置对应。进行了改进，引入地面估计，先估计传感器相对地面的外参变化，从而滤出地面的噪声边缘，来保证在线漂移修真精度，重点在于利用3D点对路面进行估计，同时plusAI，还是用了基于SGM(Semi Global Matching)的方法。

 

 地图的优化中定义了一些损失函数，比如 projection error, GPS输出的平滑性以及可能的道路几何拓扑结构信息。

尤其是高速路环境的几何拓扑结构，给地图创建提供便利。为了得到清晰的车道线，需要对多线激光雷达的反射率进行标定。

利用GPS自己提供的covariance 以及 IMU和 wheel Encoder讲数据分为了三类

• reliable points
• drift points
• jump points

讲reliable固定住，另外两类采用 类似 ICP的方法进行修正。

LQR最为一种最优控制算法， 通过选择合适的调优参数，可以保证系统有一定的鲁棒稳定性，但是需要相对精确的动力学模型，且匹配的不确定和干扰会破坏系统的闭环性能，甚至发散。卡车的话，载荷变化范围大，载荷转移给模型带来很大变化。LQR无法保证在这些变量无法测量时的系统一致性。