探索激光雷达传感器以提高外围感知
激光雷达又分为机械激光雷达和固体激光雷达。传统的激光雷达采用机械旋转来实现对周围环境的360度检测,而机械旋转的激光雷达结构比较复杂和笨重,这是激光雷达成本高的原因之一;固态激光雷达采用光学相位控制。阵列技术取代旋转机构实现广角扫描功能,使得激光雷达中不再需要旋转元件,体积可以最小化。
LIDAR的基本组件是激光光源,光传感器和成像机构。激光光源通常是半导体激光器,并且光传感器通常是光电二极管(PD)或雪崩光电二极管(APD)。成像机构是指扫描或非扫描成像机制。根据调查,汽车激光雷达市场随着复合年增长率的增加20%。
随着ADAS系统在高端汽车上的广泛应用,它在驾驶安全、舒适、方便、节能等方面给人们带来了不同的体验。基于这些现有的技术能量和背景,多种传感器应用技术的探索已经成为主流,进一步应用到流行的自动驾驶技术中,激光雷达传感器是当前自动驾驶技术发展中最重要的反馈单元。与其他传感器相比,它可以准确输出目标物体的位置,成为SAE 5级自动驾驶的基本组件。通过先进的LiDAR传感器和机器学习软件算法的处理,车辆可以模拟人类的各种感知,在物体识别的准确性上优于人类。可靠、稳定、实时、全面。外周感知能力成为车辆行为控制决策判断的基础。
激光雷达传感器目标识别稳定性的研究是当前自动驾驶技术的关键课题之一。计算速度、抗环境干扰能力和识别精度是当前该技术发展的三个重要指标。
自动驾驶激光雷达物体检测技术- LIDAR简介车辆
激光雷达是一种主动光学传感器。通过计算激光束到达被测点后反射到传感器上的光束的飞行时间,得到与被测物体的相对距离。该数量可以转换为二维或三维物理坐标。常见的激光束包括紫外光、可见光和红外光。其中,600-1000nm的波长是最常用的。目前市场上比较常见的是二维和三维传感器产品,根据激光收发信机的运动状态进行分类。固态式和旋转式,其中3D一般按激光束数分为1、8、16、32、64、128束,同时进行360度高频扫描,是自动驾驶的常用解决方案。程序。目前,汽车领域经常使用各种产品。然而,这些产品目前需要在感知信息安全方面进行完整的反黑客验证,以避免恶意假冒光学攻击。
与其他类型的传感器相比,LIDAR目前是价格最昂贵的。然而,对象的距离测量的准确性保持在3cm内,这比其他类型的传感器更有利。因素。但是,对于不同类型的感测规范,例如传感器之间的距离和要测量的对象,相对运动关系,以及要测量的对象的分类程度,移动速度,未来轨迹,语义分析,以及检测时间环境,如雨滴,烟雾和灰尘,通常需要充分利用不同传感器的优点来满足自动驾驶的基本要求。如果需要上述所有规范的检测能力,则更适合于多个感测信息(传感器融合)的集成,以实现与各种传感器相互互补的效果。
根据使用的分辨率要求,选择激光雷达的成本会有很大的差异。高分辨率意味着可以对物体进行分类和识别。低分辨率意味着只能进行目标检测。但是,距离检测不需要额外的处理才能比相机更精确,但是在成本方面,相机比LiDAR小得多,距离输出的处理目前是一个巨大的挑战。因此,一些相机产品从硬件入手,采用多摄像头或红外等多传感器融合。有些相机只使用一个相机,并在软件中计算。对该方法进行了改进,以产生距离信息。 - 深度学习对象检测(基于DNN)
目前,与传统规则的基于规则相比,LIDAR 3D深度学习的发展的文献非常稀缺。由于Apple于2016年底发布了3D空间网格voxel网,因此其准确性与其他深度学习进行了比较。网络很高,但致命的缺点是它需要网格云的原始数据,这导致输入到网络的单位和通道数量和计算量,与其他相比非常高的计算量现有算法。因此,结果,硬件成本已经上升了很多,以实现汽车规格指定的FPS。因此,在接下来的几年中,已经演化了3D转换到2D图像的深度学习识别方法,并且基于现有的成熟2D理论,它可以应用于LIDAR识别。例如,挤压SEG NET采用现有的2D网络架构,并在网络中使用。输入层的数量可以是固定的,因此计算量大大降低,计算速度增加,这是大多数后续研究和开发单位采用的方法。
工业技术研究所分析了各种现有的深度学习算法,与自动驾驶汽车所需的规格进行了比较,最后采用了挤压赛网,可以在FPS和精度之间保持平衡。该方法是将3D点云数据投影为2D图像,然后在深度学习网络识别之后使用,将2D图像上的点云转换回3D点云,产生3D点云分段的结果.
在大多数自驾车应用中,为了保证数据传输的稳定性,在对数据进行特征提取后进行下采样,以简化传输量。这种方法可以避免由于数据量大而出现多个周围对象。数据量过大会造成严重的传输时延,根据控制端的需要,采用不同的算法简化数据简化过程。本文描述了使用方向边界框(OBB)的方法。该方法将分组后的对象封装在轴对齐边界盒(ABB)的矩形平行六面体中。该方法是基于已有的坐标轴计算特定物体点云的最大值和最小值。得到该值后,形成8个正方形点,然后进行主成分分析(PCA)生成旋转和平移的过渡矩阵或四元数,然后应用于无方向盒生成方向盒的结果。 - 深度学习数据标注方法
现有的3D点云打标工具以手工打标为主,手工部分采用特定算法进行操作,减少操作流程,半自动部分还处于论文发表阶段。因此,这对于标记工具开发人员来说是非常重要的。下一个里程碑是半自动化功能的开发,而半自动化的程度也将取决于现有模块的精度。在这个研究中,人工阅卷数据对应于深学习算法,并将进行点云分割标记,即为单点标记类型,类型的标记的定义还将应对当前激光雷达分析程度各不相同。
基于半自动标记软件,可以对现有的目标检测进行扩展,利用基本的分组算法提前标记可能的关键目标,使得人工标记只需要处理标记点冗余或错误。对图像进行判断后,不需要对三维点云进行标记。该方法还可以有效地降低手工标记的缺失率。
为了提高激光雷达计算的性能,工业技术研究所将自动驾驶车辆的相关参数输入仿真环境,并执行相应的传感器设置。除了LIDAR传感器之外,还使用虚拟标记数据生成工具。它也可以用于摄像机或其他传感器的环境中。在LIDAR环境中,可以同步相应的标记数据以在游戏方法中输出LIDAR的原始数据和标记数据,从而可以大大降低数据标记的成本。
除了上述标记数据的获取方法外,还有相关组织对关键点云数据进行收集和标记,然后向相关研究领域开放。由于激光雷达传感器安装位置的不同,深度学习算法容易产生不同的识别结果。因此,利用现有的LiDAR数据库进行训练只能作为一部分参考依据,或者需要根据所使用的车辆进行。传感数据的收集和标注。
鉴于国际自动驾驶汽车的发展趋势以及我国电信业的技术优势和差距,车辆传感器技术的发展和建立了车辆规定的围绕物体感知能力的高可靠性是自主的主要任务驾驶技术。通过现有的机器学习技术,以及有限的传感设备和信息,以及可变的驾驶环境,为自动驾驶汽车提供可靠的视觉识别能力,LIDAR传感技术起着关键作用。工业技术研究所致力于开发LIDAR深度学习算法,并探索如何提高LIDAR标记数据的性能。因此,与传统图像的手动标记不同,LIDAR点云标记更加困难。工业研究所观察到半自动生成标签数据,以验证深度学习算法的可行性和准确性;同时,降低标签的成本。在开发过程中,发现使用虚拟标记的模型培训数据可能会导致过度装备。在未来,基于LIDAR的深度学习算法的进步,模拟标记数据和实际标记数据将混合以训练模块,可以提高通过使用模拟环境或实际数据获得的标记数据的对象检测精度独自的。 With lower problems, self-driving cars have modules trained by combining simulated environment and real-world mark data to provide more accurate environmental sensing and positioning.