введение

В технологии автономного вождения модуль восприятия является одним из основных компонентов системы автономного вождения. Модуль восприятия платформы Apollo играет ключевую роль, отвечая за сбор данных от различных датчиков для восприятия и понимания окружающей среды вокруг автомобиля.

1. Слияние датчиков

Платформа Apollo объединяет множество датчиков, включая лидар, камеры, радар и т. д. Каждый из этих датчиков предоставляет различные типы данных, например, лидар, предоставляющий информацию о расстоянии, камеры, предоставляющие информацию об изображении и т. д. Модуль восприятия использует технологию объединения датчиков для объединения данных от этих различных датчиков для получения более полной и точной информации об окружающей среде.

1.1 Подробное введение в объединение датчиков

1. Мультисенсорные источники данных: Система Apollo использует несколько типов датчиков, каждый из которых имеет свои уникальные характеристики и применимые сценарии. Лидар обычно используется для высокоточного обнаружения препятствий, камеры используются для визуального восприятия, а радар миллиметрового диапазона имеет лучшую адаптируемость к различным погодным условиям.

2. Объединение данных датчиков: Суть объединения датчиков заключается в объединении информации от разных датчиков для повышения точности и надежности восприятия окружающей среды. Это часто предполагает использование алгоритмов объединения датчиков, таких как фильтрация Калмана, расширенная фильтрация Калмана (EKF) и т. д., для интеграции измерений с различных датчиков.

3. Ли ДАР: Для высокоточного построения карт и обнаружения препятствий. LiDAR может предоставлять точную информацию о расстоянии и угле и подходит для высокоточного измерения на коротких расстояниях.

4. Камера: Предоставление визуальной информации для обнаружения цели, определения линии полосы движения и т. д. Визуальное восприятие играет важную роль в сложных дорожных условиях, но на него влияют такие факторы, как освещение и тени.

5. Радар миллиметрового диапазона: Адаптируйтесь к различным погодным условиям, таким как дождь и снег. Радар миллиметрового диапазона может обеспечить надежное обнаружение препятствий в плохую погоду.

6. ГНСС и инерциальные навигационные системы (ИНС): Используется для позиционирования автомобиля. Глобальные навигационные спутниковые системы (GNSS) предоставляют информацию о глобальном местоположении, а инерциальные навигационные системы используют такие датчики, как акселерометры и гироскопы, для оценки ускорения и угловой скорости транспортного средства.

7. Калибровка датчика: Чтобы обеспечить точность сварки, Apollo регулярно выполняет калибровку датчиков. Сюда входит внутренняя калибровка, такая как калибровка внутренних параметров камеры и лидара, а также внешняя калибровка, такая как выравнивание лидара по системе координат транспортного средства.

2. Обнаружение цели

На основе объединения датчиков модуль восприятия использует усовершенствованные алгоритмы обнаружения целей для идентификации и определения местоположения целевых объектов вокруг автомобиля. Целями могут быть другие транспортные средства, пешеходы, дорожные знаки и т. д. Обнаружение цели является ключевым этапом модуля восприятия, предоставляющим важную информацию для последующего принятия решений и планирования.

Пример кода обнаружения цели:

// Пример кода
#include <apollo/sensors/lidar.h>
#include <apollo/perception/object_detection.h>

int main() {
  // Инициализировать лидар
  Lidar lidar;
  lidar.Init();

  // Получить данные лидара
  LidarData lidar_data = lidar.GetLidarData();

  // Обнаружение цели
  ObjectDetection object_detection;
  std::vector<Object> detected_objects = object_detection.DetectObjects(lidar_data);

  // Результаты испытаний процесса
  for (const auto& obj : detected_objects) {
    std::cout << "Detected Object: " << obj.type << " at (" << obj.x << ", " << obj.y << ")\n";
  }

  return 0;
}

3. Идентификация препятствий

Благодаря обнаружению целей модуль восприятия может определить влияние идентифицированных целевых объектов на вождение автомобиля и классифицировать их как препятствия. Результаты распознавания препятствий имеют большое значение для этапов принятия решений и планирования системы автономного вождения, помогая системе избегать столкновений и безопасно управлять автомобилем.

4. Управление моделями

Мета-модель и управление моделями также представлены в Apollo 8.0. Среди них модель Meta содержит основную информацию о модели, такую ​​как имя, тип задачи, тип датчика, структуру и наборы данных, необходимые для обучения. Она также включает стандартный ввод, ввод, предварительную и постобработку модели. , путь для хранения файлов модели и т.д. Стандартизируя модель с помощью этой информации, разработчикам нужно только убедиться, что входные и выходные данные модели согласованы, а затем они могут напрямую заменить модель, чтобы повысить эффективность разработки модели.

Он также предоставляет инструмент управления моделями, с помощью которого разработчики могут загружать и устанавливать модели в хранилище моделей и отображать модели и сведения о моделях, которые были установлены в системе. И управляйте этими моделями, чтобы повысить эффективность развертывания моделей.

Для конкретных методов использования вы можете проверить официальную документацию.

• «Обучение лидару быстрому запуску развертывания»

Заключение

Эффективная работа модуля восприятия является важной гарантией достижения безопасного автономного вождения и обеспечивает необходимую информационную основу для последующих модулей принятия решений и управления. Я надеюсь, что эта статья поможет разработчикам лучше понять и применить функции восприятия платформы Apollo и способствовать постоянному развитию технологий автономного вождения.