多传感器融合算法-后融合

这篇具有很好参考价值的文章主要介绍了多传感器融合算法-后融合。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  自动驾驶系统通常由定位、环境感知和规划控制等模块组成,近年来主流的环境感知传感器包括摄像头激光雷达毫米波雷达、超声波雷达等。不同种类传感器由于其探测原理不同,所具备的优劣势也有所差异,且现阶段单一种类的传感器往往很难覆盖所有场景,为了使感知层获得的信息更为丰富、准确,通常需要将不同传感器的数据进行融合。
多传感器怎么融合,多传感器融合感知,算法
  多传感器融合(Multi-sensor Fusion, MSF)是指借助计算机和数据处理技术,将来自多传感器或者多源的数据以一定准则进行分析综合,增强整个传感器信息系统信息利用率的方法。根据数据融合方式的不同,主要可以分为前融合和后融合。前融合主要是指数据/特征层次的融合,优点在于数据利用更加充分;而后融合主要是指目标/结果层次的融合,优点在于处理相对简单,运行效率更高。
  本文主要是对近期学习的感知-后融合模块进行简单介绍,仅做自学用途,如果不对之处欢迎大家留言沟通。
多传感器怎么融合,多传感器融合感知,算法
多传感器怎么融合,多传感器融合感知,算法
  这里多模数据选取激光雷达(LiDAR)、相机(Camera)和毫米波雷达(Radar)。利用算法进行多传感器数据融合,输出更加稳定可靠的感知结果。

  • LiDAR:原始数据为三维空间点云数据,通过对其进行3D检测和分割,以及多目标跟踪,得到3D空间的目标元素;
  • Camera:原始数据为图像,通过对其进行2D的检测,得到2D空间的目标元素;
  • Radar:原始数据为稀疏的二维离散点云,但具备径向速度信息,通过对其进行数据处理,得到2.5D的目标元素。

1. 后融合系统输入输出解析

  输入主要包括LiDAR、Camera和Radar的检测处理结果。

传感器类型 处理流程 输出结果形式
LiDAR 3D检测任务:多传感器怎么融合,多传感器融合感知,算法 输出为LiDARObject形式的列表:多传感器怎么融合,多传感器融合感知,算法
3D分割任务:多传感器怎么融合,多传感器融合感知,算法 输出为点云或者Polygons形式数据:多传感器怎么融合,多传感器融合感知,算法
Camera 2D检测任务:多传感器怎么融合,多传感器融合感知,算法 输出为CameraObject形式的列表:多传感器怎么融合,多传感器融合感知,算法
2D分割任务:多传感器怎么融合,多传感器融合感知,算法 输出为带标签的同尺寸Image数据:多传感器怎么融合,多传感器融合感知,算法
Radar 检测任务:多传感器怎么融合,多传感器融合感知,算法 输出为RadarObejct形式的列表:多传感器怎么融合,多传感器融合感知,算法

  输出主要是3D空间下完整的boundingbox目标及其语义信息。
多传感器怎么融合,多传感器融合感知,算法

2. 后融合系统问题建模

融合系统的核心是希望对不同模态的传感器数据进行综合处理,提高传感器系统的信息丰富度,输出更加稳定可靠的感知结果。
  1. 从上述后融合系统的输入输出角度来看,需要将多传感器获取的观测量与待估计的目标状态量进行融合,由此可以将问题转化为系统的状态估计问题
  2. 不同传感器的数据采集频率和数据处理的耗时不同,使得各模态数据结果接入到后融合模块的时间通常也是存在差异的,由此也会导致时空对齐的问题
  3. 通常传感器单帧数据中会存在多个目标,如何将不同传感器观测到的目标及单个传感器帧和帧之间的目标信息关联起来,由此也就涉及目标匹配问题

多传感器怎么融合,多传感器融合感知,算法

3. 后融合系统结构设计

  针对上述多传感器后融合中涉及到的三个问题:多观测条件下的系统状态估计问题、时空对齐(预测)问题、目标匹配问题,进行多传感器后融合系统结构的设计构建。
多传感器怎么融合,多传感器融合感知,算法

3.1 预测-时空问题

  通常LiDAR的频率为10hz,Camera为30+hz,Radar为20hz。假设状态量是100ms更新一次,则在两次状态量之间,状态量相对于新到来的观测量在时空维度上都是滞后的,因此需要时空对齐,保证状态量与观测量在融合时是一致的。由于要做的工作是时空对齐,因此只需要关注引起空间位置变换的状态量和观测量即可:

  • 位姿状态:如yaw和yaw_rate;
  • 运动状态:如位置、速度和加速度。

对齐方法
  对于不同频率的LiDAR、Camera、Radar检测结果,将其输入到预测模块中,根据自车的运动和目标的状态估计,进行时空对齐,使得融合时的状态量和观测量是位于同一时空下的。原则上下述两种方式均可以,但更推荐方式一,原因是State本身是基于多传感器数据的得到的状态量,精度上比各单传感器精度更高,预测误差也更小。

方式一:将 t-1 时刻的状态 S t a t e t − 1 State_{t-1} Statet1 对齐到 t 时刻的各传感器观测量( M e a t L i D A R Mea^{LiDAR}_{t} MeatLiDAR M e a t C a m e r a Mea^{Camera}_{t} MeatCamera M e a t R a d a r Mea^{Radar}_{t} MeatRadar) 处;

方式二:将 t 时刻的各传感器观测量( M e a t L i D A R Mea^{LiDAR}_{t} MeatLiDAR M e a t C a m e r a Mea^{Camera}_{t} MeatCamera M e a t R a d a r Mea^{Radar}_{t} MeatRadar)对齐到 t-1 时刻的状态 S t a t e t − 1 State_{t-1} Statet1 处;
多传感器怎么融合,多传感器融合感知,算法

3.2目标关联-匹配问题

  不同传感器经处理后得到的目标维度也不尽相同,那么如何进行目标级对象的匹配呢?首先,需要明确的是,融合的目的是希望通过多传感器(LiDAR + Camera + Radar)的目标数据,得到不同时刻下同一目标的3D bounding box信息。当然,如果只有Camera + Radar,则融合得到的可能是2D 的bounding box及其对应的距离、速度信息,但最终的目的还是希望得到3D 的bounding box信息。

3.2.1 目标级对象匹配算法—关联的度量

  以LiDAR + Camera + Radar融合为例:三者融合之后得到的目标状态量通常为完整的 3D bounding box,估状态量与观测量之间的匹配度量可以表示如下:
多传感器怎么融合,多传感器融合感知,算法

  1. LiDAR观测量 与 3D bounding box

  通常LiDAR输入的观测量也会3D bounding box,因此两者之间的匹配可以通过计算两个目标 3D bounding box之间的交并比** IoU(Intersection over Union)** 来度量。
d = 3 D I o U ( b b o x 3 D , 1 , b b o x 3 D , 2 ) d =3DIoU(bbox_{3D,1}, bbox_{3D,2}) d=3DIoU(bbox3D,1,bbox3D,2)

  1. Camera 观测量 与 3D bounding box

  通常Camera输入的观测量是2D bounding box,而状态量是3D bounding box,因此需要先将 3D bounding box 投影到图像上以获取其 2D bounding box信息,然后计算两个2D bounding box 的 IoU 来度量。
d = 2 D I o U ( P r o j e c t ( b b o x 3 D , 1 ) , b b o x 2 D , 1 ) d = 2DIoU(Project(bbox_{3D,1}), bbox_{2D,1}) d=2DIoU(Project(bbox3D,1),bbox2D,1)

  1. Radar观测量 与 3D bounding box

  通常毫米波雷达输入的观测量没有尺寸和高度信息(这里暂不考虑4D毫米波雷达,仅以L2常用车载毫米波雷达为例),因此通常认为其检测到的目标点处于3D bounding box 内部时,及认为满足匹配要求。
d = { ∣ x ′ − x ∣ < l e g n t h ∣ y ′ − y ∣ < w i d t h d= \begin{cases} |x' - x| < legnth \\ |y' - y| < width \end{cases} d={xx<legnthyy<width

3.2.2目标级对象匹配算法—帧间匹配算法

  通常每帧数据检测出的Object可能会有若干个,而为了实现不同模态检测结果的融合,势必设计到Object集合之间的匹配问题,即下图中红色点和绿色点的匹配。
多传感器怎么融合,多传感器融合感知,算法
  一般而言,待匹配的目标是带有权重的(如单个红色与其他任意绿色点之间的权重可以通过前面提到的目标关联的度量值来表示),这样帧间的目标匹配工作就可以转化成两个带权重集合的匹配问题。假设有两个目标点集 f ( O ) t − 1 = { x 0 , x 1 , x 2 , x 3 , x 4 } 和 f ( O ) t = { y 0 , y 1 , y 2 , y 3 , y 4 } f(O)_{t-1} = \{x_0,x_1,x_2,x_3,x_4\} 和 f(O)_t = \{y_0, y_1, y_2,y_3,y_4\} f(O)t1={x0,x1,x2,x3,x4}f(O)t={y0,y1,y2,y3,y4} 需要进行匹配。对于目标x0 而言,如果取最大权重的y4 与之对应,则会出现一个目标匹配多个对象的情况,如下图所示。
多传感器怎么融合,多传感器融合感知,算法
  对于这种带权二分图最优匹配问题,可以考虑使用KM算法(Kuhn-Munkres Algorithm)。待补充。。。

3.3 状态估计问题

  多传感器融合的数学本质:在输入、输出和状态空间已知的条件下,获取系统状态最优估计。
  经过前面的时空对齐和目标关联处理之后,已经可以拿到时空对齐后的 t-1 时刻目标状态量、t 时刻的目标观测量,以及状态量和观测量之间的目标匹配关系了。现在就需要在已知这些信息的基础上,对目标状态量进行更新,获取 t时刻 下目标状态的最优估计量。
首先需要进行融合信息的拆解,融合对象包括目标级的运动属性融合(位置、速度、角速度、加速度等)、语义级的对象融合(位置、属性)以及目标级其他属性融合(尺寸、类型等),各部分融合都可以单独看做状态估计问题。
多传感器怎么融合,多传感器融合感知,算法

3.3.1 状态估计问题的求解思路

  假设系统 k 时刻的观测量为 z k z_k zk,状态量为 x k x_k xk ,这两个变量是符合某种分布的随机变量,且两者不相互独立。目的是需要根据初始状态量和观测量,获取当前 k 时刻的状态量 P ( x k ∣ x 0 , z 1 : k ) P(x_k|x_0,z_{1:k}) P(xkx0,z1:k)。根据贝叶斯法则,将系统状态的概率求解拆分如下:
P ( x k ∣ x 0 , z 1 : k ) ∝ P ( z k ∣ x k ) P ( x k ∣ x 0 , z 1 : k − 1 ) P(x_k|x_0,z_{1:k}) ∝P(z_k|x_k)P(x_k|x_0,z_{1:k-1}) P(xkx0,z1:k)P(zkxk)P(xkx0,z1:k1)
对于上述,可以采取如下两类解法:

解法一:假设系统 满足马尔可夫性质,即 x k x_k xk 仅与 x k − 1 x_{k-1} xk1 有关,与更早的状态无关;
多传感器怎么融合,多传感器融合感知,算法
  基于上述假设,系统状态的概率求解,可进一步简化为:
P ( x k ∣ x 0 , z 1 : k ) ∝ P ( z k ∣ x k ) P ( x k ∣ x k − 1 ) P(x_k|x_0,z_{1:k}) ∝P(z_k|x_k)P(x_k|x_{k-1}) P(xkx0,z1:k)P(zkxk)P(xkxk1)
其中:

  • P ( z k ∣ x k ) P(z_k|x_k) P(zkxk)似然项,可由观测方程给出。(似然项是指结果已知的情况下,该事件在不同条件下发生的可能性);
  • P ( x k ∣ x k − 1 ) P(x_k|x_{k-1}) P(xkxk1)先验项,可通过状态转移方程得到。(先验项是指根据历史规律推测该事件发生的可能性)。
  • 这类问题可用滤波器相关算法解决,如卡尔曼滤波KF/EKF。

解法二:假设 k 时刻状态与之前时刻的状态相关;
多传感器怎么融合,多传感器融合感知,算法
  基于上述假设,根据状态受历史状态影响的不同,又可以进一步分为两种:

  • k 时刻的状态与之前所有时刻相关:

P ( x k ∣ x 0 , z 1 : k ) = P ( x 1 : k ∣ x 0 , z 1 : k ) P(x_k|x_0,z_{1:k}) = P(x_{1:k}|x_0,z_{1:k}) P(xkx0,z1:k)=P(x1:kx0,z1:k)

  • k 时刻的状态与前 s 个时刻相关:

P ( x k ∣ x 0 , z 1 : k ) = P ( x k − s : k ∣ x 0 , z 1 : k ) P(x_k|x_0,z_{1:k})=P(x_{k-s:k}|x_0,z_{1:k}) P(xkx0,z1:k)=P(xks:kx0,z1:k)
  这类问题可用非线性优化方法来求解之前所有时刻的系统状态 x 1 : k x_{1:k} x1:k

3.3.2 状态估计问题求解:卡尔曼滤波器

  卡尔曼滤波是一种时域递推算法,能够根据上一时刻状态的估计值和当前时刻状态的观测值推测出当前时刻状态的最优值,是一种能排除随机干扰,提高测量精度的方法。
首先需要进行状态方程观测方程的构建,先明确几个变量的含义:

  • x k x_k xk— 系统状态的真实值(通常无法得到);
  • x k ˉ \bar{x_k} xkˉ— 系统状态的预测值(可以通过状态转移方程及上一时刻状态估计值 x k − 1 ^ \hat{x_{k-1}} xk1^得到,也叫先验状态);
  • x k ^ \hat{x_k} xk^— 系统状态的估计值(可以通过预测量及观测量联合估计得到,也叫后验状态)。
状态方程的构建:

  假设 k 时刻系统的状态量为 x k x_k xk ,包含位置和速度信息: x k = [ p k v k ] x_k= \begin{bmatrix}p_k\\v_k\\ \end{bmatrix} xk=[pkvk],同时引入 x k = [ Σ p p Σ p v Σ v p Σ v v ] x_k= \begin{bmatrix} \Sigma_{pp} & \Sigma_{pv}\\ \Sigma_{vp}& \Sigma_{vv}\\ \end{bmatrix} xk=[ΣppΣvpΣpvΣvv]来表示 x k x_k xk 各成员的不确定性和各维度之间的相关关系。
其中: Σ p p \Sigma_{pp} Σpp Σ v v \Sigma_{vv} Σvv为状态分量的方差, Σ p v \Sigma_{pv} Σpv Σ v p \Sigma_{vp} Σvp描述 pv 之间的协方差。
多传感器怎么融合,多传感器融合感知,算法
  在已知 k-1 时刻状态量 x k − 1 x_{k-1} xk1 情况下,如何预测 k 时刻的状态 x k x_k xk ,也就是状态方程的构建。 这里可以通过运动学模型来构建状态方程,假设系统短时间内满足匀速运动的条件,那么

x k ˉ = [ 1 Δ t 0 1 ] x ^ k − 1 = F k x ^ k − 1 \bar{x_k} = \begin{bmatrix} 1 & \Delta t\\ 0& 1\\ \end{bmatrix} \hat{x}_{k-1} = F_k \hat{x}_{k-1} xkˉ=[10Δt1]x^k1=Fkx^k1
其中:

  • x k ˉ \bar{x_k} xkˉ为 k 时刻系统状态的先验分布

  • x ^ k − 1 \hat{x}_{k-1} x^k1为k-1 时刻系统状态的后验分布

  • F k F_k Fk为状态转移矩阵
      进一步,如果系统存在外部干预 u k u_k uk 以及考虑系统噪声 w k w_k wk 时,该怎样对系统状态转换关系进行建模?
    x k ˉ = F k x ^ k − 1 + B k u k + w k \bar{x_k} = F_k \hat{x}_{k-1} +B_ku_k +w_k xkˉ=Fkx^k1+Bkuk+wk
    其中:

  • u k u_k uk表示外部输入

  • B k B_k Bk表示外部输入与系统状态变化的转换关系矩阵

  • w k ∼ N ( 0 , Q k ) w_k\sim N(0, Q_k) wkN(0,Qk)— 高斯噪声

  同样的,基于误差协方差传播定律,预测得到的先验状态量的误差协方差可以表示为:
多传感器怎么融合,多传感器融合感知,算法
考虑过程噪声 w k w_k wk的影响,先验状态量 x k ˉ \bar{x_k} xkˉ的误差协方差 P k ˉ \bar{P_k} Pkˉ
P k ˉ = F k P ^ k − 1 F k T + Q k \bar{P_k} = F_k\hat{P}_{k-1}F_k^T+Q_k Pkˉ=FkP^k1FkT+Qk

观测方程的构建:

  假设通过一些传感器得到了系统 k 时刻的观测量 z k z_k zk,而观测量与状态量可能不是同一种表现形式下,需要通过线性变化H 来转换得到。
z k = H k x k z_k=H_kx_k zk=Hkxk
进一步,传感器本身是存在观测误差的,考虑观测的高斯噪声 v k ∼ N ( 0 , R k ) v_k\sim N(0, R_k) vkN(0,Rk)情况下,可以整理为:
z k = H k x k + v k z_k=H_kx_k+v_k zk=Hkxk+vk
即认为观测量 z k z_k zk是 k 时刻的系统真实状态 x k x_k xk经过线性变换H,再加上高斯噪声得到的。
同样的,之前通过状态方程预测得到的 x k ˉ \bar{x_k} xkˉ也可以经过线性变化转换到观测量 z k z_k zk所在的维度。这样我们就拿到了两个表示 k 时刻系统的状态量(观测域下):先验状态 H k x k ˉ H_k\bar{x_k} Hkxkˉ和观测量 z k z_k zk,现在就需要根据这两个带有噪声的状态量来对 k 时刻系统真正的状态量进行估计。

卡尔曼滤波原理的推导:

  常见的有两种方法,一种是利用高斯乘积定理和贝叶斯公式推导,可以参考:卡尔曼滤波基本公式推导(高斯乘积法);一种是基于方差最小准则进行推导,可以参考:卡尔曼增益推导。此处不再赘述。

卡尔曼滤波的工作过程:
  • 多传感器怎么融合,多传感器融合感知,算法

  总的来说,卡尔曼滤波器的工作流程分为预测和更新两部分:

  • 预测:

    • 输入:过去的最优状态 ( x ^ k − 1 , P k ^ ) (\hat{x}_{k-1}, \hat{P_k}) (x^k1,Pk^),外界对过程的影响 u k u_k uk,环境的不确定度 Q k Q_k Qk
    • 输出:预测的当前时刻系统状态 ( x ˉ k , P k ˉ ) (\bar{x}_{k}, \bar{P_k}) (xˉk,Pkˉ)
    • 其他:对过程的描述转换 ( F k , B k ) (F_k,B_k) (Fk,Bk),与时间有关;
      x k ˉ = F k x ^ k − 1 + B k u k (1) \tag{1} \bar{x_k} = F_k \hat{x}_{k-1} +B_ku_k xkˉ=Fkx^k1+Bkuk(1)
      P k ˉ = F k P ^ k − 1 F k T + Q k (2) \tag{2} \bar{P_k} = F_k\hat{P}_{k-1}F_k^T+Q_k Pkˉ=FkP^k1FkT+Qk(2)
  • 更新:

    • 输入:预测的当前时刻系统状态 ( x ˉ k , P k ˉ ) (\bar{x}_{k}, \bar{P_k}) (xˉk,Pkˉ),观测值的状态 ( z k , R k ) (z_k,R_k) (zk,Rk),状态量到观测量维度的变换矩阵 H k H_k Hk
    • 输出:经过观测值修正后的最优估计状态 ( x ^ k , P k ^ ) (\hat{x}_{k}, \hat{P_k}) (x^k,Pk^)
      K = P k ˉ H k T ( H k P k ˉ H k T + R k ) − 1 (3) \tag{3} K = \bar{P_k}H_k^T(H_k\bar{P_k}H_k^T+R_k)^{-1} K=PkˉHkT(HkPkˉHkT+Rk)1(3)
      x k ^ = x k ˉ + K ( z k − H k x k ˉ ) (4) \tag{4} \hat{x_k} = \bar{x_k} + K(z_k-H_k\bar{x_k}) xk^=xkˉ+K(zkHkxkˉ)(4)
      P k ^ = P k ˉ − K H k P k ˉ = ( I − K H k ) P k ˉ (5) \tag{5} \hat{P_k} = \bar{P_k}-KH_k\bar{P_k}=(I-KH_k)\bar{P_k} Pk^=PkˉKHkPkˉ=(IKHk)Pkˉ(5)
        补充:因卡尔曼滤波本身是基于线性马尔科夫性质进行求解的,当状态方程和观测方程不不满足线性系统时,可以考虑使用扩展卡尔曼滤波。主要差别在于,需要将原有状态方程中的状态转移矩阵 F k F_k Fk和观测方程中的测量矩阵 H k H_k Hk进行线性转换才可以使用。通过泰勒公式一阶展开来对其进行局部线性化展开,进而来实现线性系统的状态估计。展开过程可参考如下:
      多传感器怎么融合,多传感器融合感知,算法

3.3.3状态估计-目标级运动属性融合建模

运动方程
  在自动驾驶系统中,通常假设对象满足匀加速/匀速旋转运动,状态转移方程(运动方程)如下:
x k = = F k x k − 1 + B k u k + w k x_k = = F_k x_{k-1} +B_ku_k +w_k xk==Fkxk1+Bkuk+wk
其中, F k F_k Fk为状态转移矩阵, u k u_k ukk 时刻系统的输入量(通常为0), w k ∼ N ( 0 , Q k ) w_k\sim N(0, Q_k) wkN(0,Qk),则可进一步简化为:
x k = = F k x k − 1 + w k x_k = = F_k x_{k-1} +w_k xk==Fkxk1+wk多传感器怎么融合,多传感器融合感知,算法
观测方程
  在自动驾驶系统中,通常假设对象满足匀加速/匀速旋转运动,观测方程如下:
z k = H k x k + v k z_k=H_kx_k+v_k zk=Hkxk+vk
其中, H k H_k Hk为观测矩阵, v k v_k vk为观测噪声, v k ∼ N ( 0 , R k ) v_k\sim N(0, R_k) vkN(0,Rk)多传感器怎么融合,多传感器融合感知,算法

3.3.4 状态估计-语义级对象融合建模

多传感器怎么融合,多传感器融合感知,算法

3.3.5 状态估计-目标级其它属性融合

多传感器怎么融合,多传感器融合感知,算法

3.3.6关于卡尔曼滤波建模中的噪声协方差

多传感器怎么融合,多传感器融合感知,算法文章来源地址https://www.toymoban.com/news/detail-858358.html

参考资料:
  1. 多传感器融合系列之感知后融合_多传感器融合感知-CSDN博客
  2. 自动驾驶感知——多传感器融合技术_汽车多传感器融合-CSDN博客
  3. 多传感器融合感知-深蓝学院 - 专注人工智能与自动驾驶的学习平台
  4. (三十九)通俗易懂理解——卡尔曼滤波与扩展卡尔曼滤波

到了这里,关于多传感器融合算法-后融合的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 自动驾驶定位算法:基于多传感器融合的状态估计(muti-Sensors Fusion)

    1、传感器(Sensor)选取 自动驾驶系统中用于状态估计(State Estimation)的常用传感器包括GPS/GNSS、IMU、激光雷达(Lidar)。 状态估计(State Estimation)选用传感器需要考虑哪些因素: 1)误差不相关性。也就是说,用于Sensor Fusion的传感器其中单个传感器(Sensor Measurement)测量失败,不会导

    2024年04月13日
    浏览(43)
  • 自动驾驶感知传感器标定安装说明

    1. 概述 本标定程序为整合现开发的高速车所有标定模块,可实现相机内参标定和激光、相机、前向毫米波 至车辆后轴中心标定,标定参数串联传递并提供可视化工具验证各个模块标定精度。整体标定流程如下,标定顺序为下图前标0--1--2--3,相同编号标定顺序没有强制要求,

    2024年02月11日
    浏览(47)
  • 多传感器融合定位十五-多传感器时空标定(综述)

    Reference: 深蓝学院-多传感器融合 多传感器融合定位理论基础 文章跳转: 多传感器融合定位一-3D激光里程计其一:ICP 多传感器融合定位二-3D激光里程计其二:NDT 多传感器融合定位三-3D激光里程计其三:点云畸变补偿 多传感器融合定位四-3D激光里程计其四:点云线面特征提取

    2024年02月14日
    浏览(85)
  • 毫米波雷达与其他传感器的协同工作:传感器融合的未来

    随着科技的不断进步,传感技术在各个领域的应用愈发广泛。毫米波雷达作为一种重要的传感器技术,以其高精度、强穿透力和适应性强等优点,在军事、医疗、汽车、工业等领域都得到了广泛应用。然而,单一传感器的局限性也逐渐显现,为了更全面、精准地获取信息,传

    2024年02月07日
    浏览(50)
  • 多传感器数据融合技术

    多传感器数据融合技术形成于上世纪80年代,目前已成为研究的热点。它不同于一般信号处理,也不同于单个或多个传感器的监测和测量,而是对基于多个传感器测量结果基础上的更高层次的综合决策过程。把分布在不同位置的多个同类或不同类传感器所提供的局部数据资源

    2024年02月06日
    浏览(40)
  • 机器人传感器及其信息融合技术

    第一章 传感器的基础知识 第五章 多传感器信息融合技术概述 信息融合三个核心特征: 信息融合是在多个层次上完成对多源信息处理的过程,其中每一个层次都表示不同级别的信息抽象。 信息融合包括探测、互联、相关、估计以及信息组合。 信息融合的结果包括较低层次上

    2024年02月01日
    浏览(55)
  • 传感器融合 | 适用于自动驾驶场景的激光雷达传感器融合项目_将激光雷达的高分辨率成像+测量物体速度的能力相结合

    项目应用场景 面向自动驾驶场景的激光雷达传感器融合,将激光雷达的高分辨率成像+测量物体速度的能力相结合,项目是一个从多个传感器获取数据并将其组合起来的过程,可以更加好地进行环境感知。项目支持 ubuntu、mac 和 windows 平台。 项目效果 项目细节 == 具体参见项目

    2024年04月24日
    浏览(45)
  • 虹科方案丨自动驾驶多传感器数据融合方法

    文章来源:雅名特自动驾驶 点此阅读原文:https://mp.weixin.qq.com/s/QsPMWZDGZaPdEx47L2VmeA 近年来,深度学习技术在涉及高维非结构化数据领域展现出了最先进的性能,如计算机视觉、语音、自然语言处理等方面,并且开始涉及更大、更复杂的多模态信息问题。 不同传感器在进行同一

    2024年02月07日
    浏览(41)
  • 用ChatGPT学习多传感器融合中的基础知识

    该列表会不定期更新… 解答 : 匈牙利算法是解决二分图最大匹配的经典算法之一。其中的增广矩阵路径指的是在当前匹配下,从一个未匹配节点开始,沿着交替路(交替路是指依次经过未匹配点、已匹配点、未匹配点……的路径)不断寻找增广路(增广路是指起点和终点都

    2023年04月16日
    浏览(79)
  • 无线传感器网络数据压缩与融合及安全机制的matlab仿真

    目录 一、理论基础 二、案例背景 三、MATLAB程序 四、仿真结论分析

    2023年04月09日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包