自动驾驶技术笔记：传感器专题

基础设备

GPS

• 使用三角测量法需要定位原理3个及以上卫星位置数据。
• GPS精确定位的条件非常苛刻，需要精确时间戳，以及比较空旷的环境。
• 复杂的城市环境会导致信号反射与折射，产生多路径问题。同时GPS的更新频率低，不足以满足自动驾驶的需要。
• 为了提高GPS我们介绍了准确性差分GPS技术，修正误差。

IMU

• 传感器检测和测量加速度和旋转运动。
• 常用的MEMS(Micro Electro-Mechanical Systems)的六轴惯性传感器，由三个加速度传感器和三个陀螺仪组成。
• 无人车一般采用中低级MEMS，频率高，误差会随着时间的推移而积累，所以只能在很短的时间内依赖惯性传感器进行定位。
• 由于生产工艺的问题，IMU测量会有一定的误差。主要有三种:偏移误差(零偏移)，比例误差(输入输出比)和背景白噪声。

LiDAR

• 激光雷达作为无人车设计，精度高，计算难度低于图像主传感器使用。
• 点云：Point Cloud，收集到的数据是许多点的三维极坐标。基于点云和GPS采用定位贝叶斯法则，计算汽车位置的可能性。
• 受空气悬浮物影响，极限测量距离降低。计算量仍然很大，涉及大量的三角函数操作。成本高。
• 现阶段用算法弥补硬件的不足。

Camera

• 现有的无人车方案将有8个以上的摄像头分别从前到后四个维度完成物体发现、识别、跟踪等任务。
  • 这些摄像头通常是60Hz频率工作，共同产生1.8GB/s的巨额数据量。
• 相关算法
  • 光流在图片序列或视频中像素级的对应关系密集。
  • 立体视觉从两个或两个以上的角度获得的图像建立相应的关系的。
• 假设摄像头方案
  • 关键假设1：物理世界中不同图像中的对应点同一点的成像，所以外观是相似的。
  • 关键假设2：物体的变换基本满足刚性条件，或者空间分为多个刚体运动。有了这个假设，我们自然得到的光流二维矢量场是片状平滑的结论。
  • 对于关键假设2，现实世界中也有大量的非刚性运动，因此对传统方法的假设将不成立。此时，深度学习就派上了用场。

雷达和声呐

作为避障任务最后一个保证，如果通过雷达或声纳检测到障碍物，则大多数障碍物已经非常接近，可以直接用于控制处理器，然后转向、制动等紧急功能。

进阶设备

多线激光雷达

• 多组光路纵向排列，覆盖纵向视角内的多个离散角度。整个系统绕纵轴360度旋转，覆盖横向视场的整个范围。
• 纵向视角中的线数通常为16至64。
• 一些使用振动镜进行二维扫描的激光雷达产生的点云呈现纵横非常不均匀处理此类数据具有挑战性。

Flash激光雷达

高清分辨率受反射率影响较高（轮胎反射率低，无法检测），有效距离为几十米。

高分辨率图像级长距离激光雷达

代表型号：Innovusion Cheetah。10f/s，300线，280-400米。

参考

• 第一本无人驾驶技术书