Apollo感知二——感知类型与算法

• 定位：Where we are
• 感知：What we see
• 预测：How the environment will change
• 规划：How we move
• 控制：How to control the car

目录

感知概貌

传感器和标定

传感器的选择

传感器安装

传感器标定  

感知算法

Lidar感知

视觉感知

CNN检测

CNN分割

后处理计算

红绿灯

雷达感知

超声波感知

感知中的机器学习

感知的未来

---

感知概貌

感知是机器人学科的问题

是机器人向人学习的一个过程。

       

多个维度看感知的问题

传感器维度，目标维度，算法维度等等

                  

传感器和标定

传感器的选择

         

传感器安装

传感器安装要考虑覆盖范围，遮挡情况，和不同传感器后期融合处理等。

        

传感器标定  

主要基于标定间的lidar-camera标定

标定，主要是指使用标准的计量仪器对所使用仪器的准确度（精度）进行检测是否符合标准，一般大多用于精密度较高的仪器 。标定也可以认为是校准。在无人车中是未来标定不同传感器的位置，使得不同传感器获得的信息在融合时更好的计算。

                  

Apollo标定是在标定间进行的，在标定间内，有camera相关的标定和lidar相关的标定

感知算法

                                                      

Lidar感知

lidar感知主要用于感知障碍物，进而对其进行检测

包括启发式算法NCut和深度学习算法CNNSeg

  

启发式算法需要先构建graph，然后对graph分割成cluster，一个cluster是一个障碍物。

    

深度学习方法是数据驱动的方法 

    

Front view是将车辆的四周环境都投到向前视角，看作一个长矩阵

Bird view是从上向下看的视角，对点云数据的处理

正如faster RCNN的处理方法，对数据提取特征后，在RPN网络中获得大量的proposal区域，进而判断每个区域中物体的类别和位置。在此之前需要使用MV3D来对Lidar和camera数据进行融合。

点云数据在KITTI数据中较少，许多场景还需自己采集数据

       

视觉感知

          

CNN检测

相关算法，Faster RCNN、FCN、FPN、yolo、SSD等

                 

CNN分割

Apollo有自己的ApolloScape分割数据集

分割内容包括点云的分割和图像的分割

对于一些物体，使用分割的方法比检测方法更好的获取信息。

对于车道线，分割的方法可以使用检测车道线点后连成线代替

后处理计算

                  

红绿灯

       

        

     

雷达感知

可以很好的感知高速公路的栅栏

        

超声波感知

          

感知中的机器学习

                 

感知的未来