自動運転慣性航法技術についてどれくらい知っていますか?
慣性ナビゲーションは一般的に GPS 機器に統合されており、サプライヤーによって統合されています。では、ここで何を議論する必要があるのでしょうか? 車両が走行しているときに、GPS のヨーレート信号と速度信号を取得できることを知っておく必要があります。さらに、車両自体にはヨーレートと速度を取得するための一連のセンサーがあり、軌道推定は自動運転の重要な部分であるため、慣性航法の動作原理を理解することは、車体ベースの軌道推定を行うのに役立ちます。
慣性航法
現在、GNSS IMUで構成される統合ナビゲーションシステムが測位システムソリューションの主流となっており、慣性航法システムは完全なデータを出力できる唯一の6自由度データを搭載した装置は、データ更新頻度が高く、位置情報の融合拠点となります。
慣性航法で使用されるコア アルゴリズムには主に 3 種類があります: 1. 慣性航法ソリューション アルゴリズム、2. 統合航法のカルマン フィルター結合。 3. 環境地物情報と慣性航行の統合。
#統合ナビゲーション システムのコア アルゴリズム フレームワーク
ハードウェアと原理
慣性航法システム (INS) は、慣性センサー (IMU) を使用して、与えられた初期条件と組み合わせたキャリアの比力および角速度情報を測定し、それをからの情報と統合します。リアルタイムで速度、位置、姿勢、その他のパラメータを推定する自律航法システム。具体的には、慣性航法システムは推測航法の一種です。すなわち、継続的に測定される搬送体の進行角と速度に基づいて、既知の点の位置から次の点の位置を推定することにより、移動体の現在位置を継続的に測定することができる。
#慣性システムの動作原理図
慣性航法システムは、キャリアの運動パラメータを測定するための加速度センサーとジャイロセンサー。垂直に配置された 3 つのジャイロスコープは、3 つの座標軸の周りのキャリアの角速度を測定するために使用され、地球の自転の角速度にも敏感です。加速度計はニュートンの第 2 法則に基づいており、容量性、ピエゾ抵抗性、または熱対流原理を使用して、加速プロセス中に質量ブロックの対応する慣性力を測定することによって加速度値を取得します。移動体座標系の各軸の加速度を測定するために使用します。
ジャイロスコープによる慣性ナビゲーション測定された角速度を積分変換し、車体の姿勢角(ロール、ピッチ角)と方位角を算出します。姿勢角から各座標軸の重力加速度成分を計算することができ、加速度計で計測した各軸の加速度から重力加速度成分を差し引いて積分することで速度と位置を求めます。慣性航法により算出された状態を利用して車両の現在位置を予測し、衛星測位受信機で取得した位置(または観測データ)と比較します。比較される偏差には慣性航法の推定誤差と衛星受信機の測位誤差が含まれており、データ融合アルゴリズムによる重み付け後、慣性航法の予測を修正するために使用され、慣性航法の予測がますます正確になります。
慣性航法ソリューション アルゴリズム
通常は次のステップに分かれます:
- 姿勢更新: ジャイロスコープによって出力された角速度を積分して姿勢増分を取得し、最後の姿勢に重ね合わせます;
- 座標変換: からIMU キャリア座標系から位置・速度解座標系(慣性座標系)へ;
- 速度更新:速度を求めるには重力加速度の除去を考慮する必要があります。慣性系の加速度を計算し、積分により速度を取得します;
- 位置更新: 速度積分により位置を取得します。
#慣性航法ソリューション アルゴリズムの原理図
慣性航行では、航行方程式の各反復で最後の航行結果を初期値として使用する必要があるため、慣性航行の初期化はより重要な部分の 1 つです。姿勢調整とは、IMU のロール、ピッチ、ヨーを取得することを指します。ロールとピッチを揃えることを一般にレベリングと呼びます。自動車が静止している場合、加速度計によって測定される特定の力は重力によってのみ引き起こされ、これは f=C*g によって解決できます。非常に高精度の IMU の場合は、コンパス位置合わせ方法を使用できます。静止している場合、キャリアシステムで測定される比の力は次のとおりです。 地球の回転は、キャリアの向き (ヨー) を決定するために使用されます。
慣性航法の初期化回路図
複合航法のカルマン フィルタリングフィルタの
# は、カルマン フィルタの結合を使用して、IMU と GNSS 点群測位結果を融合します。疎結合と密結合の 2 つの方法に分けることができます。
疎結合フィルターは、位置と速度の測定値と計算された位置と速度の差を、カルマン フィルターの量測定値である結合ナビゲーション フィルターの入力として使用します。密結合データには、GNSS ナビゲーション パラメーター、測位における擬似距離、距離の変化などが含まれます。
#カルマンフィルターの疎結合模式図
カルマンフィルターの密結合模式図
Baidu Apollo で使用されている慣性航法システムを例に挙げると、疎結合方式が採用されています。エラーカルマンフィルターが使用されています。慣性航法ソリューションの結果はカルマン フィルターの時刻更新、つまり予測に使用され、GNSS および点群測位の結果はカルマン フィルターの測定更新に使用されます。カルマン フィルターは、慣性航法モジュールを修正するために位置、速度、姿勢の誤差を出力します。IMU 期間中の誤差は、元の IMU データを補正するために使用されます。
#Baidu Apollo Kalman フィルターの疎結合
##カルマン フィルター融合図
環境特徴情報と慣性航法との統合
現在一般的に使用されている GNSS IMU を組み合わせた慣性航法ソリューションの測位精度と安定性は、一部のシナリオではまだ完全に満たすことができません。自動運転の要件。たとえば、都市の建物群や地下ガレージなど、GNSS 信号が長期間にわたって弱いシナリオでは、GNSS 信号に依存して正確な位置を更新するのは十分に安定していないため、新しい正確な位置更新データ ソースを導入する必要があります。 lidar/lidar/ 測位のために視覚センシング測位とその他の環境情報を統合することは避けられない傾向となっています。
# 統合ナビゲーションと環境認識情報融合のためのアーキテクチャの概略図
Baidu Apollo のマルチセンサー融合測位システム ソリューションを例にとると、慣性航法システムが測位モジュールの中心にあり、モジュールは IMU、GNSS、Lidar などの測位情報を融合し、解決と修正後の最終出力を実現します。慣性航法システムは自動運転に必要な6自由度の高精度位置情報を満たします。
Baidu Apollo の慣性核融合測位モジュール フレームワーク
以上が自動運転慣性航法技術についてどれくらい知っていますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック

上記と著者の個人的な理解 3 次元ガウシアンプラッティング (3DGS) は、近年、明示的な放射線フィールドとコンピューター グラフィックスの分野で出現した革新的なテクノロジーです。この革新的な方法は、数百万の 3D ガウスを使用することを特徴とし、主に暗黙的な座標ベースのモデルを使用して空間座標をピクセル値にマッピングする神経放射線場 (NeRF) 方法とは大きく異なります。明示的なシーン表現と微分可能なレンダリング アルゴリズムにより、3DGS はリアルタイム レンダリング機能を保証するだけでなく、前例のないレベルの制御とシーン編集も導入します。これにより、3DGS は、次世代の 3D 再構築と表現にとって大きな変革をもたらす可能性のあるものとして位置付けられます。この目的を達成するために、私たちは 3DGS 分野における最新の開発と懸念について初めて体系的な概要を提供します。

昨日の面接で、ロングテール関連の質問をしたかと聞かれたので、簡単にまとめてみようと思いました。自動運転のロングテール問題とは、自動運転車におけるエッジケース、つまり発生確率が低い考えられるシナリオを指します。認識されているロングテール問題は、現在、単一車両のインテリジェント自動運転車の運用設計領域を制限している主な理由の 1 つです。自動運転の基礎となるアーキテクチャとほとんどの技術的問題は解決されており、残りの 5% のロングテール問題が徐々に自動運転の開発を制限する鍵となってきています。これらの問題には、さまざまな断片的なシナリオ、極端な状況、予測不可能な人間の行動が含まれます。自動運転におけるエッジ シナリオの「ロング テール」とは、自動運転車 (AV) におけるエッジ ケースを指します。エッジ ケースは、発生確率が低い可能性のあるシナリオです。これらの珍しい出来事

0.前面に書かれています&& 自動運転システムは、さまざまなセンサー (カメラ、ライダー、レーダーなど) を使用して周囲の環境を認識し、アルゴリズムとモデルを使用することにより、高度な知覚、意思決定、および制御テクノロジーに依存しているという個人的な理解リアルタイムの分析と意思決定に。これにより、車両は道路標識の認識、他の車両の検出と追跡、歩行者の行動の予測などを行うことで、安全な運行と複雑な交通環境への適応が可能となり、現在広く注目を集めており、将来の交通分野における重要な開発分野と考えられています。 。 1つ。しかし、自動運転を難しくしているのは、周囲で何が起こっているかを車に理解させる方法を見つけることです。これには、自動運転システムの 3 次元物体検出アルゴリズムが、周囲環境にある物体 (位置を含む) を正確に認識し、記述することができる必要があります。

自動運転では軌道予測が重要な役割を果たしており、自動運転軌道予測とは、車両の走行過程におけるさまざまなデータを分析し、将来の車両の走行軌跡を予測することを指します。自動運転のコアモジュールとして、軌道予測の品質は下流の計画制御にとって非常に重要です。軌道予測タスクには豊富な技術スタックがあり、自動運転の動的/静的知覚、高精度地図、車線境界線、ニューラル ネットワーク アーキテクチャ (CNN&GNN&Transformer) スキルなどに精通している必要があります。始めるのは非常に困難です。多くのファンは、できるだけ早く軌道予測を始めて、落とし穴を避けたいと考えています。今日は、軌道予測に関するよくある問題と入門的な学習方法を取り上げます。関連知識の紹介 1. プレビュー用紙は整っていますか? A: まずアンケートを見てください。

原題: SIMPL: ASimpleandEfficientMulti-agentMotionPredictionBaselineforAutonomousDriving 論文リンク: https://arxiv.org/pdf/2402.02519.pdf コードリンク: https://github.com/HKUST-Aerial-Robotics/SIMPL 著者単位: 香港科学大学DJI 論文のアイデア: この論文は、自動運転車向けのシンプルで効率的な動作予測ベースライン (SIMPL) を提案しています。従来のエージェントセントとの比較

先頭と開始点に書かれている エンドツーエンドのパラダイムでは、統一されたフレームワークを使用して自動運転システムのマルチタスクを実現します。このパラダイムの単純さと明確さにも関わらず、サブタスクにおけるエンドツーエンドの自動運転手法のパフォーマンスは、依然としてシングルタスク手法に比べてはるかに遅れています。同時に、以前のエンドツーエンド手法で広く使用されていた高密度鳥瞰図 (BEV) 機能により、より多くのモダリティやタスクに拡張することが困難になります。ここでは、スパース検索中心のエンドツーエンド自動運転パラダイム (SparseAD) が提案されています。このパラダイムでは、スパース検索は、高密度の BEV 表現を使用せずに、空間、時間、タスクを含む運転シナリオ全体を完全に表します。具体的には、統合されたスパース アーキテクチャが、検出、追跡、オンライン マッピングなどのタスク認識のために設計されています。さらに、重い

この 1 か月間、いくつかのよく知られた理由により、私は業界のさまざまな教師やクラスメートと非常に集中的な交流をしてきました。この交換で避けられない話題は当然、エンドツーエンドと人気の Tesla FSDV12 です。この機会に、現時点での私の考えや意見を整理し、皆様のご参考とご議論に役立てたいと思います。エンドツーエンドの自動運転システムをどのように定義するか、またエンドツーエンドで解決することが期待される問題は何でしょうか?最も伝統的な定義によれば、エンドツーエンド システムとは、センサーから生の情報を入力し、関心のある変数をタスクに直接出力するシステムを指します。たとえば、画像認識では、従来の特徴抽出 + 分類子方式と比較して、CNN はエンドツーエンドと言えます。自動運転タスクでは、各種センサー(カメラ/LiDAR)からのデータを入力

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。
