Périphériques technologiques
IA
Que savez-vous de la technologie de navigation inertielle pour la conduite autonome ?
Que savez-vous de la technologie de navigation inertielle pour la conduite autonome ?
La navigation inertielle est généralement intégrée aux équipements GPS et est intégrée par les fournisseurs. Alors de quoi faut-il discuter ici ? Il faut savoir que lorsque le véhicule roule, on peut capter les signaux de lacet et de vitesse du GPS, et du véhicule ? lui-même est également Il existe un ensemble de capteurs pour obtenir le lacet et la vitesse, et comme l'estimation de trajectoire est une partie importante de la conduite autonome, comprendre le principe de fonctionnement de la navigation inertielle peut bien nous aider à effectuer une estimation de trajectoire basée sur le corps.
Navigation inertielle
À l'heure actuelle, le système de navigation combiné composé de GNSS + IMU est la solution de système de positionnement grand public. Le système de navigation inertielle est le seul appareil capable de produire des données complètes à six degrés de liberté. La fréquence de mise à jour des données est élevée et constitue le centre de fusion des informations de positionnement.
Les algorithmes de base utilisés dans la navigation inertielle comprennent principalement 3 types : 1. Algorithme de solution de navigation inertielle ; 2. Couplage par filtre de Kalman de la navigation intégrée. 3. Intégration des informations sur les caractéristiques environnementales et de la navigation inertielle.
Cadre d'algorithme de base du système de navigation intégré
Matériel et principe
Le système de navigation inertielle (INS) utilise un capteur inertiel (IMU) pour mesurer les informations spécifiques de force et de vitesse angulaire de le transporteur, combiné avec En fonction de certaines conditions initiales, il est intégré aux informations provenant de systèmes tels que le GNSS pour réaliser un système de navigation autonome qui calcule la vitesse, la position, l'attitude et d'autres paramètres en temps réel. Plus précisément, le système de navigation inertielle est un type de navigation à l’estime. C'est-à-dire que la position du point suivant est calculée à partir de la position d'un point connu sur la base de l'angle de cap et de la vitesse du porteur mesurés en continu, de sorte que la position actuelle du corps en mouvement puisse être mesurée en continu.
Schéma du principe de fonctionnement du système inertiel
Le système de navigation inertielle utilise des accéléromètres et des capteurs gyroscopes pour mesurer les paramètres de mouvement du porteur. Trois gyroscopes disposés verticalement sont utilisés pour mesurer la vitesse angulaire du porteur autour de ses trois axes de coordonnées et sont également sensibles à la vitesse angulaire de rotation de la Terre.
L'accéléromètre est basé sur la deuxième loi de Newton et utilise les principes de convection capacitive, piézorésistive ou thermique pour obtenir des valeurs d'accélération en mesurant la force d'inertie correspondante du bloc de masse pendant l'accélération. Utilisé pour mesurer l'accélération de chaque axe sur le système de coordonnées du corps en mouvement.
Schéma du principe de fonctionnement du système inertiel
La navigation inertielle calcule l'angle d'attitude (roulis, angle de tangage) et l'angle d'azimut de la carrosserie du véhicule en intégrant la vitesse angulaire mesurée par le gyroscope et la transformation des coordonnées. Les composantes de l'accélération gravitationnelle sur chaque axe de coordonnées peuvent être calculées en fonction de l'angle d'attitude. L'accélération de chaque axe mesurée par l'accéléromètre est intégrée après soustraction de la composante d'accélération gravitationnelle pour obtenir la vitesse et la position. L'état calculé par navigation inertielle est utilisé pour prédire la position actuelle du véhicule, puis comparé à la position (ou aux données d'observation) obtenue par le récepteur de positionnement par satellite. Les écarts comparés incluent l'erreur d'estimation de la navigation inertielle et l'erreur de positionnement du récepteur satellite. Après pondération via l'algorithme de fusion de données, ils sont utilisés pour corriger la prédiction de navigation inertielle, rendant la prédiction de navigation inertielle de plus en plus précise.
Algorithme de solution de navigation inertielle
généralement divisé en les étapes suivantes :
- Mise à jour de l'attitude : Intégrez la vitesse angulaire sortie par le gyroscope pour obtenir l'incrément d'attitude, qui se superpose à la dernière attitude
- Conversion de coordonnées : Du système de coordonnées du porteur IMU au système de coordonnées de la solution de position et de vitesse ( système de coordonnées inertielle );
- Mise à jour de la vitesse : il est nécessaire d'envisager la suppression de l'accélération gravitationnelle pour obtenir l'accélération dans le système inertiel, et obtenir la vitesse par intégration
- Mise à jour de la position : obtenir la position par vitesse ; intégration.
Diagramme schématique de l'algorithme de solution de navigation inertielle
En navigation inertielle, chaque itération de l'équation de navigation doit utiliser le dernier résultat de navigation comme valeur initiale, donc l'initialisation de la navigation inertielle est Une des parties les plus importantes. L'alignement d'attitude fait référence à l'obtention du roulis, du tangage et du lacet de l'IMU. Le processus d’alignement du roulis et du tangage est généralement appelé nivellement. Lorsque la voiture est à l'arrêt, la force spécifique mesurée par l'accéléromètre est uniquement causée par la gravité, qui peut être résolue par f=C*g ; pour une IMU de très haute précision, la méthode d'alignement de la boussole peut être utilisée. stationnaire, la force spécifique mesurée par l'accéléromètre est mesurée dans le système porteur. La rotation de la terre est utilisée pour déterminer l'orientation (lacet) du porteur.
Schéma d'initialisation de la navigation inertielle
Couplage du filtre Kalman pour la navigation intégrée
Utilisez le couplage du filtre Kalman pour fusionner l'IMU et le GNSS, c'est-à-dire les résultats de positionnement du nuage de points. Il peut être divisé en deux méthodes : le couplage lâche et le couplage serré.
Le filtre à couplage lâche utilise la différence entre la position, la valeur de mesure de la vitesse et la vitesse de position calculée comme entrée du filtre de navigation combiné, qui est la mesure de quantité du filtre de Kalman. Les données étroitement couplées incluent les paramètres de navigation GNSS, les pseudo-distances de positionnement, les changements de distance, etc.
Schéma faiblement couplé du filtre Kalman
Schéma étroitement couplé du filtre Kalman
Filtre Kalman Comparaison des avantages et des inconvénients du vrac couplage et couplage serré
Prenant comme exemple le système de navigation inertielle utilisé par Baidu Apollo, il adopte une méthode de couplage lâche et utilise un filtre de Kalman d'erreur. Les résultats de la solution de navigation inertielle sont utilisés pour la mise à jour temporelle du filtre de Kalman, c'est-à-dire la prédiction tandis que les résultats de positionnement GNSS et nuage de points sont utilisés pour la mise à jour des mesures du filtre de Kalman ; Le filtre de Kalman produira les erreurs de position, de vitesse et d'attitude pour corriger le module de navigation inertielle, et les erreurs pendant la période IMU sont utilisées pour compenser les données IMU d'origine.
Couplage lâche du filtre Baidu Apollo Kalman
Diagramme de fusion du filtre Kalman
Intégration des informations sur les caractéristiques environnementales et de la navigation inertielle
La solution de navigation inertielle combinée GNSS+IMU actuellement couramment utilisée ne peut toujours pas répondre pleinement aux exigences de la conduite autonome en termes de précision de positionnement et de stabilité dans certains scénarios. Par exemple, dans les scénarios où les signaux GNSS sont faibles pendant une longue période, tels que les groupes de bâtiments urbains et les garages souterrains, s'appuyer sur les signaux GNSS pour mettre à jour un positionnement précis n'est pas suffisamment stable. Par conséquent, de nouvelles sources de données de mise à jour de positionnement précis doivent être introduites. lidar/lidar/ Il est devenu une tendance inévitable d'intégrer le positionnement par détection visuelle et d'autres informations environnementales pour le positionnement.
Un diagramme schématique d'une architecture pour la fusion intégrée d'informations de navigation et de sensibilisation à l'environnement
En prenant comme exemple la solution de système de positionnement par fusion multicapteur de Baidu Apollo, le système de navigation inertielle est au centre de le module de positionnement. Le module intègre IMU, GNSS, Lidar et d'autres informations de positionnement, et produit enfin des informations de position de haute précision avec 6 degrés de liberté qui répondent aux besoins de la conduite autonome après avoir été résolues et corrigées par le système de navigation inertielle.
Cadre du module de positionnement par fusion inertielle de Baidu Apollo
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Pourquoi le Gaussian Splatting est-il si populaire dans la conduite autonome que le NeRF commence à être abandonné ?
Jan 17, 2024 pm 02:57 PM
Écrit ci-dessus et compréhension personnelle de l'auteur Le Gaussiansplatting tridimensionnel (3DGS) est une technologie transformatrice qui a émergé dans les domaines des champs de rayonnement explicites et de l'infographie ces dernières années. Cette méthode innovante se caractérise par l’utilisation de millions de gaussiennes 3D, ce qui est très différent de la méthode du champ de rayonnement neuronal (NeRF), qui utilise principalement un modèle implicite basé sur les coordonnées pour mapper les coordonnées spatiales aux valeurs des pixels. Avec sa représentation explicite de scènes et ses algorithmes de rendu différenciables, 3DGS garantit non seulement des capacités de rendu en temps réel, mais introduit également un niveau de contrôle et d'édition de scène sans précédent. Cela positionne 3DGS comme un révolutionnaire potentiel pour la reconstruction et la représentation 3D de nouvelle génération. À cette fin, nous fournissons pour la première fois un aperçu systématique des derniers développements et préoccupations dans le domaine du 3DGS.
Comment résoudre le problème de la longue traîne dans les scénarios de conduite autonome ?
Jun 02, 2024 pm 02:44 PM
Hier, lors de l'entretien, on m'a demandé si j'avais posé des questions à longue traîne, j'ai donc pensé faire un bref résumé. Le problème à longue traîne de la conduite autonome fait référence aux cas extrêmes dans les véhicules autonomes, c'est-à-dire à des scénarios possibles avec une faible probabilité d'occurrence. Le problème perçu de la longue traîne est l’une des principales raisons limitant actuellement le domaine de conception opérationnelle des véhicules autonomes intelligents à véhicule unique. L'architecture sous-jacente et la plupart des problèmes techniques de la conduite autonome ont été résolus, et les 5 % restants des problèmes à longue traîne sont progressivement devenus la clé pour restreindre le développement de la conduite autonome. Ces problèmes incluent une variété de scénarios fragmentés, de situations extrêmes et de comportements humains imprévisibles. La « longue traîne » des scénarios limites dans la conduite autonome fait référence aux cas limites dans les véhicules autonomes (VA). Les cas limites sont des scénarios possibles avec une faible probabilité d'occurrence. ces événements rares
Choisir une caméra ou un lidar ? Une étude récente sur la détection robuste d'objets 3D
Jan 26, 2024 am 11:18 AM
0. Écrit à l'avant&& Compréhension personnelle que les systèmes de conduite autonome s'appuient sur des technologies avancées de perception, de prise de décision et de contrôle, en utilisant divers capteurs (tels que caméras, lidar, radar, etc.) pour percevoir l'environnement et en utilisant des algorithmes et des modèles pour une analyse et une prise de décision en temps réel. Cela permet aux véhicules de reconnaître les panneaux de signalisation, de détecter et de suivre d'autres véhicules, de prédire le comportement des piétons, etc., permettant ainsi de fonctionner en toute sécurité et de s'adapter à des environnements de circulation complexes. Cette technologie attire actuellement une grande attention et est considérée comme un domaine de développement important pour l'avenir des transports. . un. Mais ce qui rend la conduite autonome difficile, c'est de trouver comment faire comprendre à la voiture ce qui se passe autour d'elle. Cela nécessite que l'algorithme de détection d'objets tridimensionnels du système de conduite autonome puisse percevoir et décrire avec précision les objets dans l'environnement, y compris leur emplacement,
Cet article vous suffit pour en savoir plus sur la conduite autonome et la prédiction de trajectoire !
Feb 28, 2024 pm 07:20 PM
La prédiction de trajectoire joue un rôle important dans la conduite autonome. La prédiction de trajectoire de conduite autonome fait référence à la prédiction de la trajectoire de conduite future du véhicule en analysant diverses données pendant le processus de conduite du véhicule. En tant que module central de la conduite autonome, la qualité de la prédiction de trajectoire est cruciale pour le contrôle de la planification en aval. La tâche de prédiction de trajectoire dispose d'une riche pile technologique et nécessite une connaissance de la perception dynamique/statique de la conduite autonome, des cartes de haute précision, des lignes de voie, des compétences en architecture de réseau neuronal (CNN&GNN&Transformer), etc. Il est très difficile de démarrer ! De nombreux fans espèrent se lancer dans la prédiction de trajectoire le plus tôt possible et éviter les pièges. Aujourd'hui, je vais faire le point sur quelques problèmes courants et des méthodes d'apprentissage introductives pour la prédiction de trajectoire ! Connaissances introductives 1. Existe-t-il un ordre d'entrée pour les épreuves de prévisualisation ? R : Regardez d’abord l’enquête, p
SIMPL : un benchmark de prédiction de mouvement multi-agents simple et efficace pour la conduite autonome
Feb 20, 2024 am 11:48 AM
Titre original : SIMPL : ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving Lien article : https://arxiv.org/pdf/2402.02519.pdf Lien code : https://github.com/HKUST-Aerial-Robotics/SIMPL Affiliation de l'auteur : Université des sciences de Hong Kong et technologie Idée DJI Paper : cet article propose une base de référence de prédiction de mouvement (SIMPL) simple et efficace pour les véhicules autonomes. Par rapport au cent agent traditionnel
NuScenes dernier SOTA SparseAD : les requêtes clairsemées contribuent à une conduite autonome efficace de bout en bout !
Apr 17, 2024 pm 06:22 PM
Écrit à l'avant et point de départ Le paradigme de bout en bout utilise un cadre unifié pour réaliser plusieurs tâches dans les systèmes de conduite autonome. Malgré la simplicité et la clarté de ce paradigme, les performances des méthodes de conduite autonome de bout en bout sur les sous-tâches sont encore loin derrière les méthodes à tâche unique. Dans le même temps, les fonctionnalités de vue à vol d'oiseau (BEV) denses, largement utilisées dans les méthodes de bout en bout précédentes, rendent difficile l'adaptation à davantage de modalités ou de tâches. Un paradigme de conduite autonome de bout en bout (SparseAD) centré sur la recherche clairsemée est proposé ici, dans lequel la recherche clairsemée représente entièrement l'ensemble du scénario de conduite, y compris l'espace, le temps et les tâches, sans aucune représentation BEV dense. Plus précisément, une architecture clairsemée unifiée est conçue pour la connaissance des tâches, notamment la détection, le suivi et la cartographie en ligne. De plus, lourd
Parlons des systèmes de conduite autonome de bout en bout et de nouvelle génération, ainsi que de quelques malentendus sur la conduite autonome de bout en bout ?
Apr 15, 2024 pm 04:13 PM
Au cours du mois dernier, pour des raisons bien connues, j'ai eu des échanges très intensifs avec divers professeurs et camarades de classe du secteur. Un sujet inévitable dans l'échange est naturellement le populaire Tesla FSDV12 de bout en bout. Je voudrais profiter de cette occasion pour trier certaines de mes pensées et opinions en ce moment pour votre référence et votre discussion. Comment définir un système de conduite autonome de bout en bout et quels problèmes devraient être résolus de bout en bout ? Selon la définition la plus traditionnelle, un système de bout en bout fait référence à un système qui saisit les informations brutes des capteurs et génère directement les variables pertinentes pour la tâche. Par exemple, en reconnaissance d'images, CNN peut être appelé de bout en bout par rapport à la méthode traditionnelle d'extraction de caractéristiques + classificateur. Dans les tâches de conduite autonome, saisir les données de divers capteurs (caméra/LiDAR
FisheyeDetNet : le premier algorithme de détection de cible basé sur une caméra fisheye
Apr 26, 2024 am 11:37 AM
La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.
