【自动驾驶行业观察】干线物流的仓到仓自动驾驶方案解析
该系统配备了8台摄像头、4台激光雷达以及6台毫米波雷达，并向前方距离约500米处执行障碍物探测任务
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。
在3D场景中应用迭代最近点算法（ICP），同时用于完成二维和三维的标定工作的是[Perspective-n-Point PnP]
LIDAR至IMU的转换过程涉及直接测量这一特性。该系统中不存在LIDAR与IMU之间直接对应的物理关系。通过手眼标定技术实现两组传感器间的相对定位，并基于运动学约束计算两组传感器间的固定变换关系。
推荐观看 Andreas Geiger 的 手眼标定技术：LiDAR扫描仪与GPS/IMU配准
车身抖动明显出现的标定问题：
- 不同传感器直接相对位置变化。
- 传感器相对对面或大地坐标系的变化。
Sebastian Thrun的研究表明,该方法对离线标定初值有较高要求,并容易受到图像边缘噪声的影响.基于逆视觉变换算法(IVT)得到的结果能提取出丰富的地面边缘信息,然而这些提取到的地面边缘信息却无法直接匹配LIDAR获取的深度数据.针对上述问题提出了一种改进方案:通过建立传感器与地面之间的外参关系模型,从而有效去除干扰边界的干扰,最终能够更好地估算出车辆在道路上的实际运动轨迹.研究重点在于通过三维空间点云构建高精度路面积分模型,同时结合AI技术进行优化,并采用了基于SGM(Semi Global Matching)的方法进行计算.
在地图优化过程中设定了一系列损失函数，在这些指标中主要涉及三个方面的考量：首先是投影误差（projection error），其次是GPS输出信号的平滑性（smoothness of GPS output），最后是可能存在的道路几何拓扑结构信息（information on road geometric topology structure）等关键因素。
特别强调高速路环境中的空间布局关系对地图构建具有重要意义。为了实现清晰的道路车道识别需求，在实际应用中通常会对多通道激光雷达系统的反射特性进行精确标定。
借助GPS自身提供的协方差数据以及IMU以及轮速编码器将数据划分为三类
- 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。
作为一种最优控制算法，
LQR通过合理选择调节参数
能够确保系统具有一定的鲁棒稳定性；
然而需要建立相对精确的动力学模型
其中匹配存在的不确定性及干扰可能会影响闭环系统的性能甚至导致发散。
对于卡车来说
由于载荷的变化范围较大以及载荷转移给模型带来了较大的变化
这使得LQR难以维持一致性和可靠性特别是在变量难以被准确测量的情况下。
