用于自动驾驶赛车的多模态传感器融合与目标跟踪

发布时间：2023-10-26 10:47:06 所属栏目：动态来源：

导读：论文思路：
实现理想的自主移动，在目标追踪及识别方面需要可靠的周边物体检测与跟车控制的能力来支持精确的移动路径规划和动态路线调整等功能。由于单个传感器的局限性，需要多传感器模态融合来提高整体检测能力。

论文思路：
实现理想的自主移动，在目标追踪及识别方面需要可靠的周边物体检测与跟车控制的能力来支持精确的移动路径规划和动态路线调整等功能。由于单个传感器的局限性，需要多传感器模态融合来提高整体检测能力。此外，鲁棒运动跟踪对于降低传感器噪声的影响，提高状态估计精度至关重要。在高强度且复杂的行车环境中，自动驾驶车载电脑程序的稳定性愈发关键。

本文提出了一种适用于高速应用的模块化多模态传感器融合与跟踪方法。该方法基于扩展卡尔曼滤波器(Extended Kalman Filter) (EKF)，能够融合异构检测输入来一致地跟踪周围物体。一种新颖的延迟补偿方法，能够减少感知软件延迟的影响，并输出一个更新的目标列表。这是第一个在Indy Autonomous Challenge 2021和CES (AC@CES) 2022的高速现实场景中验证的融合和跟踪方法，证明了它在嵌入式系统上的鲁棒性和计算效率。它不需要任何标记数据，实现0.1 m以下的位置跟踪参差(residuals)。

网络设计：
基于这些问题，将本文的问题表述如下：本文希望提供一种鲁棒的融合和跟踪方法，该方法能够可靠地处理多种异构传感器模态，并一致且准确地跟踪周围物体的运动。该方法应在现实世界中适用于高速自动驾驶的软件堆栈，这需要低延迟并考虑感知软件延迟。此外，无需标注数据即可使用。

本文解决这个问题的后期融合和目标跟踪方法的构建如下。多模态后期融合可以处理来自多个异构检测 pipeline 的输入。原始输入会被过滤以查找偏离轨道的目标以及每个目标的多次检测。然后，基于距离的匹配将过滤后的目标列表与当前跟踪的目标按时间顺序关联起来。如果匹配成功，则将扩展卡尔曼滤波器 (EKF) 应用于运动模型以进行状态估计。该方法的一个重要特征是延迟补偿：由于检测输入的延迟，在观测存储中应用向后搜索来获取传感器时间戳处的跟踪目标。然后，历史状态的优化状态估计与运动学模型前向集成，以将所有存储 entries 更新到当前时间戳。通过这种方式，运动预测和自我运动规划接收周围目标的更新、优化的轨迹。在本发明的另一实施例中，提供一种包括多个光源的照明系统，每个光源具有至少一个发光二极管(led)。

（编辑：驾考网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!