| by msbeta | No comments

自动驾驶定位算法(十五)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Senso[……]

继续阅读

Read More
| by msbeta | 2 comments

自动驾驶定位算法(十四)-递归贝叶斯滤波

今天讨论无人驾驶汽车中高精定位相关的技术原理,同时也是机器人技术中的基础算法-贝叶斯滤波器(Bayes Filter)。

如上图,开始机器人不知道自己在哪里,跟人在陌生的环境中一样,一脸茫然,觉得四周哪里都一样,对机器人来说就是在任何地方的置信度都相等。

置信度(Belief)是什么[……]

继续阅读

Read More
| by msbeta | No comments

自动驾驶定位算法(十三)-粒子滤波(Particle Filter)

自动驾驶对定位的精度的要求在厘米级的,如何实现厘米级的高精度定位呢?一种众所周知的定位方法是利用全球定位系统(GPS),利用多颗卫星的测量结果,通过三角测量(Triangulation)机制确定目标的位置,GPS定位的原理见自动驾驶硬件系统(十一)-Global Navigation Satelli[……]

继续阅读

Read More
| by msbeta | No comments

自动驾驶定位算法(九)-直方图滤波(Histogram Filter)定位

1、直方图滤波(Histogram Filter)的算法思想

直方图滤波的算法思想在于:它把整个状态空间dom(x(t))切分为互不相交的部分$b_1、b_2、…,b_{n-1}$,使得:

然后定义一个新的状态空间$y_t \in \{0,…,n−1\}$,当且仅当$x(t)∈b[……]

继续阅读

Read More
| by msbeta | 1 comment

从零开始学习自动驾驶系统(七)-无迹卡尔曼滤波Unscented Kalman Filter

Unscented Kalman Filter是解决非线性卡尔曼滤波的另一种思路,它利用Unscented Transform来解决概率分布非线性变换的问题。UnScented Kalman Filter不需要像Extended Kalman Filter一样计算Jacobin矩阵,在计算量大致相当[……]

继续阅读

Read More
| by msbeta | No comments

从零开始学习自动驾驶系统(六)-Error State Kalman Filter(ES-KF)

ES-KF的基本思想就是把State区分为两部分分:Nominal State和Error State。如下所示:

$$x = \hat{x} + \delta x$$

其中$x$是True State,$\hat{x}$是Nominal State,$\delta x$是Error S[……]

继续阅读

Read More
| by msbeta | No comments

从零开始学习自动驾驶系统(五)-扩展卡尔曼滤波Extend Kalman Filter

1.泰勒级数展开

如果函数$f(x)$在点$x=x_0$具有任意阶导数,则

$$\begin{aligned}f(x)=&\sum_{n=0}^{\infty} \frac{f^{(n)}(x_0)}{n!} (x – x_0)^n&nbs[……]

继续阅读

Read More
| by msbeta | 2 comments

从零开始学习自动驾驶系统(四)-卡尔曼滤波Kalman Filter

Kalman Filter是处理连续变化的动态不确定系统的理想方法,并且由于内存占用小(不需要记录历史状态),运行速度快,被广泛应用在机器人实时多传感器融合系统中。

What can we do with a Kalman filter

首先看一个简单的例子: 假设有一个可以在树林中[……]

继续阅读

Read More
| by msbeta | No comments

从零开始学习自动驾驶系统(二)-State Estimation & Localization

最小二乘法(Least Squares Method)可以在存在测量噪声的情况下,可以最大限度的剥离噪声的影响,求得最优解。

自动驾驶车辆配备了许多的不同的传感器,它们的测量精度各不相同,有的精度高,有的精度低,而高精度设备的测量结果更加值得信任,如何达到这种效果呢。一个直觉的做法,就是赋[……]

继续阅读

Read More
| by msbeta | No comments

从零开始学习自动驾驶系统(三)-State Estimation & Localization

前面提到的Ordinary Least Squares Estimation和 Weighted Least Squares Estimation和都假设提前收集好了所有的测量数据。但在实际的应用中,测量数据可能是流式的,比如位置测量系统以100HZ的频率不间断的对车辆的位置进行测量。在高频的更新频[……]

继续阅读

Read More
  • 1
  • 2