センサーのキャリブレーションは、自動運転認識システムに必要なリンクであり、その後のセンサー フュージョンに必要なステップおよび前提条件です。その目的は、2 つ以上のセンサーを統一された時空間座標系に変換して、センサー フュージョンを実現することです。意味を持つことは、知覚的な意思決定の重要な前提条件です。センサーが設計仕様を満たしていること、および測定値の精度が保証されていることを確認するために、センサーは製造および設置後に実験を通じて校正する必要があります。
センサーを自動運転車に取り付けた後、センサーを校正する必要がありますが、同時に、車両の走行プロセス中に振動やその他の理由によりセンサーが調整されます。本来の位置からずれてしまうため、一定間隔でセンサーを校正する必要があります。自動運転車は、環境認識と自己認識のために複数の種類のセンサーを同時に使用します。自動運転車の認識プロセスでは、センサーの堅牢性と精度が特に重要です。
01 カメラのキャリブレーション
車載カメラは車両に一定の角度と位置で設置され、環境を比較するため、車載カメラで収集したデータを車両走行環境の実際の物体に対応させること、つまり、車載カメラで生成した画像ピクセル座標系の点座標とカメラ内の点座標との変換関係を求めること環境座標系では、カメラのキャリブレーションが必要です。
1. カメラ内部パラメータのキャリブレーション
1.1 カメラモデルの確立
環境座標系、カメラ座標系、画像物理座標系、および画像ピクセル座標系間の相互変換関係を通じて、環境座標系と画像ピクセル座標系の間の変換関係を見つけることができます。
現実世界の点 P。環境座標系での座標は (Xw, Yw, Zw)、画像内での位置は (u, v) であり、両者には次の関係があります。
#環境座標系と画像ピクセル座標系の変換関係
内部パラメータ行列については、 4 番目の定数 fx、fy、Uo、Vo。カメラの焦点距離、メインポイント、センサーなどの設計上の技術指標に関係し、外部要因(周囲の環境、カメラの位置など)とは無関係であるため、カメラの内部パラメータと呼ばれます。カメラ。内部基準はカメラが工場出荷時に決定されます。ただし、製造工程などにより、同じ生産ラインで生産されたカメラであっても内部パラメータが若干異なるため、実験によりカメラの内部パラメータを求めることが必要になる場合があります。単眼カメラのキャリブレーションとは、通常、実験的手段を通じてカメラの内部パラメータを決定することを指します。
#外部パラメータ行列には、回転行列と平行移動行列が含まれます。回転行列と平行移動行列は、点をワールド座標系からカメラ座標系に変換する方法を共同で記述します。コンピューター ビジョンでは、外部パラメーター マトリックスを決定するプロセスは通常、視覚的ローカリゼーションと呼ばれます。車載カメラを自動運転車に設置した後、カメラの位置を車両座標系で校正する必要があります。さらに、車の衝撃や振動により、車載カメラの位置は時間の経過とともに徐々に変化するため、自動運転車は定期的にカメラの位置を再調整する必要があります。これはキャリブレーションと呼ばれます。
1.2 カメラの歪み補正
実際の使用では、カメラは理想的なピンホールを完全に正確に追従することはできません。モデルが透視投影を実行すると、通常、レンズ歪みが存在します。つまり、実際のカメラ結像面上の物点によって生成された画像と理想的な結像の間には、特定の光学歪み誤差が存在します。歪み誤差は、主に半径方向の歪み誤差と接線方向の歪み誤差です。歪み誤差です。
放射状歪み: レンズの特性により、カメラ レンズの端で光が多かれ少なかれ曲がる傾向があり、これを放射状歪みと呼びます。このような歪曲収差は、一般的な安価なレンズの方が顕著であり、放射状歪曲収差には主に樽型歪曲収差と糸巻き型歪曲収差があります。樽型歪曲収差とは、レンズの物体やレンズ内のレンズ群の構造によって生じる結像像が樽型に広がることです。樽型歪みは、通常、広角レンズを使用する場合、またはズームレンズの広角端を使用する場合に検出しやすくなります。糸巻き型歪みとは、レンズによって画像が中心に向かって「縮む」現象です。ズームレンズの望遠端を使用すると、糸巻型歪みに気づきやすくなります。#コンピュータ ビジョンでは、放射状の歪みはシーンの再構成に非常に重要な影響を与えます。自動運転システムが環境を認識するためには、カメラが周囲の環境を高精度に再構成する必要があり、歪みが補正されていないと正確な環境情報を取得できません。たとえば、環境内のターゲットは画像のどの領域にも現れる可能性があり、歪みが補正されないと、ビジョン技術によって取得されるターゲットの位置やサイズが不正確になることが多く、自動運転車の運転の安全性に直接影響を及ぼします。さらに、自動運転車にはさまざまな場所に複数のカメラが装備されているため、放射状の歪みを考慮しない場合、画像のスティッチング処理中に、対応する特徴の不一致によってスティッチングされた画像のぼやけ効果が発生します。 一般的なカメラの場合、画像の放射状の歪みは、低次の多項式モデルとして記述されることがよくあります。 (u, v) が修正された点の座標、(u', u') が修正されていない点の座標であると仮定すると、この 2 つの間の変換は次の式で決定できます。
放射歪み低次多項式モデル
一方、カットの接線方向の歪みは、他の 2 つのパラメータ p1 と p2 を使用して補正できます。
#接線方向の歪み 低次数多項式モデル
#1.3 カメラ内部パラメータの校正方法
この段階では、通常、歪みパラメータの校正は他の内部パラメータと同時に実行されます。現在最も広く使用されているのは、2000 年に Zhang Zhengyou によって提案された Zhang Zhengyou 校正方法です。 Zhang Zhengyou のキャリブレーション方法は、チェス盤のキャリブレーション ボードをさまざまな位置で撮影することによって、各画像内のチェス盤のキャリブレーション ボードの内側のコーナー ポイントを見つけ、内側のコーナー ポイント間の対応を通じて行列 に対する制約を確立します。これにより、内部パラメータ行列 K が復元されます。
2. カメラ間の外部パラメータのキャリブレーション
自動運転車では、知覚の死角を最小限に抑えるために、マルチカメラモードがよく使われます。複数のカメラ間の相対的な位置関係を求めることをカメラの外部パラメータキャリブレーションと呼びます。
別の観点から見ると、カメラの外部パラメータのキャリブレーションは「姿勢推定」問題とも呼ばれます。 2 つのカメラ間の相対姿勢 [R|t] は 6 自由度 (空間的な位置と回転の関係) を持ち、理論的には、2 つのカメラが同時に空間内の 3 点を取得する限り、2 つのカメラ間の関係は次のようになります。相対的な姿勢が復元されます。 3組の対応点からカメラ間の相対姿勢を復元する問題は、「Perspective-3-Point-Promement(P3P)」と呼ばれる。実際には、ロバスト性を向上させるために相対姿勢を復元するために 3 点以上の点が使用されることが多く、P3P 問題は PnP 問題として一般化されます。
当初、研究者らは直接線形変換 (DLT) 法を使用して PnP 問題を解決しましたが、その後、精度を向上させるために、研究者らはロバストな線形化再投影誤差を提案しました。 PnP問題の解決には選択法が用いられ、姿勢推定において有名なバンドル調整法(Bundle Adjustment, BA)が提案されている。
02 Lidar キャリブレーションLidar は自動運転プラットフォームの主要センサーの 1 つであり、認識と測位において重要な役割を果たします。カメラと同様に、LIDAR も使用前に内部パラメータと外部パラメータを調整する必要があります。内部パラメータ校正とは、内部のレーザー送信機の座標系とレーダー自体の座標系の間の変換関係を指し、工場出荷前に校正されており、そのまま使用できます。自動運転システムが実行する必要があるのは、外部パラメータの校正、つまりライダー自身の座標系と車体座標系の関係です。
ライダーと車体は剛結合されており、両者の相対的な姿勢や変位は固定されます。 LIDAR 間、LIDAR と車両間の相対座標関係を確立するには、LIDAR 設置を校正し、LIDAR データを LIDAR 座標系から車体座標系に変換する必要があります。
車体座標系とライダー座標系
1. LiDAR と LiDAR 間のキャリブレーション
自動運転車の場合、複数の LiDAR が存在する場合があります。この場合、LiDAR によって取得される各外部環境は、車体座標系に正確にマッピングする必要があります。したがって、複数のライダーがある場合には、複数のライダーの相対位置を校正して校正する必要がある。
LIDAR 間の外部パラメータを調整するためのアイデアは数多くありますが、より一般的に使用されるのは、異なる LIDAR と車体間の座標変換関係を通じて、LIDAR 間の関係を間接的に導出するというものです。それらの間の変換関係。
2. ライダーとカメラのキャリブレーション
自動運転車では、ライダーと自動運転車はしっかりと接続されています。それらの間の変位は固定されているため、ライダースキャンによって取得されたデータ点は、環境座標系でそれらに対応する固有の位置座標を持ちます。同様に、カメラも環境座標系で固有の位置座標を持っているため、LIDAR とカメラの間に固定の座標変換が存在します。 LIDAR とカメラの共同キャリブレーションは、単線 LIDAR と画像上のキャリブレーション オブジェクトの対応する特徴点を抽出することにより、単線 LIDAR 座標、カメラ座標、画像ピクセル座標などの複数のセンサー座標の統合を完了します。 LIDAR とカメラの空間キャリブレーションを実現します。
カメラの外部パラメータのキャリブレーションと LIDAR の外部パラメータのキャリブレーションが完了すると、実際に 2 つの関係を完全に決定でき、LIDAR のスキャン ポイントを画像ピクセル座標系に投影できます。 。
カメラの内部パラメータ校正方法と同じように、LIDAR およびカメラの外部パラメータ校正方法でも校正プレートの校正方法を使用できます。
以上がスマートカーセンサーキャリブレーションテクノロジーの詳細な解釈の詳細内容です。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。

食品の準備を強化するAI まだ初期の使用中ですが、AIシステムは食品の準備にますます使用されています。 AI駆動型のロボットは、ハンバーガーの製造、SAの組み立てなど、食品の準備タスクを自動化するためにキッチンで使用されています

導入 Python関数における変数の名前空間、スコープ、および動作を理解することは、効率的に記述し、ランタイムエラーや例外を回避するために重要です。この記事では、さまざまなASPを掘り下げます

導入 鮮やかな絵画や彫刻に囲まれたアートギャラリーを歩くことを想像してください。さて、各ピースに質問をして意味のある答えを得ることができたらどうでしょうか?あなたは尋ねるかもしれません、「あなたはどんな話を言っていますか?

製品のケイデンスを継続して、今月MediaTekは、新しいKompanio UltraやDimenity 9400を含む一連の発表を行いました。これらの製品は、スマートフォン用のチップを含むMediaTekのビジネスのより伝統的な部分を埋めます

#1 GoogleはAgent2Agentを起動しました 物語:月曜日の朝です。 AI駆動のリクルーターとして、あなたはより賢く、難しくありません。携帯電話の会社のダッシュボードにログインします。それはあなたに3つの重要な役割が調達され、吟味され、予定されていることを伝えます

私はあなたがそうであるに違いないと思います。 私たちは皆、精神障害がさまざまな心理学の用語を混ぜ合わせ、しばしば理解できないか完全に無意味であることが多い、さまざまなおしゃべりで構成されていることを知っているようです。 FOを吐き出すために必要なことはすべてです

今週公開された新しい研究によると、2022年に製造されたプラスチックの9.5%のみがリサイクル材料から作られていました。一方、プラスチックは埋め立て地や生態系に積み上げられ続けています。 しかし、助けが近づいています。エンジンのチーム

主要なエンタープライズ分析プラットフォームAlteryxのCEOであるAndy Macmillanとの私の最近の会話は、AI革命におけるこの重要でありながら過小評価されている役割を強調しました。 MacMillanが説明するように、生のビジネスデータとAI-Ready情報のギャップ


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

SublimeText3 Linux 新バージョン
SublimeText3 Linux 最新バージョン

mPDF
mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。

AtomエディタMac版ダウンロード
最も人気のあるオープンソースエディター

DVWA
Damn Vulnerable Web App (DVWA) は、非常に脆弱な PHP/MySQL Web アプリケーションです。その主な目的は、セキュリティ専門家が法的環境でスキルとツールをテストするのに役立ち、Web 開発者が Web アプリケーションを保護するプロセスをより深く理解できるようにし、教師/生徒が教室環境で Web アプリケーションを教え/学習できるようにすることです。安全。 DVWA の目標は、シンプルでわかりやすいインターフェイスを通じて、さまざまな難易度で最も一般的な Web 脆弱性のいくつかを実践することです。このソフトウェアは、

VSCode Windows 64 ビットのダウンロード
Microsoft によって発売された無料で強力な IDE エディター
