无人驾驶3：扩展卡尔曼滤波--传感器融合

1. 传感器

在无人驾驶系统中，对物体跟踪和预测，目前常用的传感器有Laser 和 Radar。

激光：可以测量准确的位置信息$P_x,P_y$，实际上无法直接观测其速度；

雷达：根据多普勒效应，雷达能直接测量移动对象的经向速度；

如果能够把激光和雷达的测量值都融合进卡尔曼滤波系统中，那么可以更好的改进跟踪系统，能够准确地估算行人位置、方向和速度。

2 传感器融合

同样的，我们的卡尔曼滤波系统，还是由预测和测量两部分组成；

状态转移函数与之前完全一样

与之前单一传感器不同的是，现在需要融合多个传感器测量的数据，更新卡尔曼公式，系统关键部分如下图：

多传感器融合的原理是：任何一个传感器测量数据更新，都将引起行人状态的更新；

不同传感器都有自己固有属性，因此需要分别设计合适的测量转换矩阵(函数)

注意：当激光和雷达同时更新测量值时，只需要做一次预测更新。

2.1 激光测量转换函数

激光测量函数为
$$H_L=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]$$
参考上一节卡尔曼滤波原理
https://blog.youkuaiyun.com/luteresa/article/details/104226258

2.2 雷达传感器

雷达传感器测量值包括:(无人车为原点，正前方为x方向，往左为y方向)

距离$\rho$：从原点(无人车)到行人的径向距离；
方向角$\phi$: 射线L（从原点指向行人）与x轴的夹角；
径向速度$\dot{\rho }$: 沿射线L方向的速度

2.2.1 对h(x)函数进行线性化操作

考虑到测量向量的三个分量相互独立，它们的雷达测量协方差矩阵是一个3x3的对角线矩阵。
而我们的行人状态仍然是四个参数 $x=(p_x,p_y,v_x,v_y{)}^T$ ，测量向量有三个参数$(\rho ,\phi ,\dot{\rho }{)}^T$

那么要把预测的状态$x^{{}^{\prime }}$映射到测量空间，设计测量函数H如下：

那么现在有以下问题：

问题1： 映射函数怎么得到的？

距离函数很简单，
$$\rho =\sqrt{p_x^2+p_y^2}$$
夹角：
$$\phi =arctan(p_y/p_x)$$

径向速度变化率：

方法1：微分方程

方法2：向量投影

问题2：转换矩阵中出现非线性函数时，有什么影响？

$$\left[\begin{array}{c}\rho \\ \phi \\ \dot{\rho }\end{array}\right]=\left[\begin{array}{c}\sqrt{p_x^2+p_y^2}\\ arctan(p_y/p_x)\\ \frac{p_x{v}_x+p_y{v}_y}{\sqrt{p_x^2+p_y^2}}\end{array}\right]$$
上面矩阵中的函数，是非线性函数。

假设使用高斯分布描述预测状态x，如果把这个高斯函数映射到非线性函数h（比如反正切），结果就不再是高斯分布了(如下图所示)。

所以卡尔曼滤波不再适用。

为了解决这个问题，一个可行方案是对h(x)函数进行线性化操作，这就是扩展卡尔曼滤波的核心思想。

使用在原始高斯分布的均值位置，和h相切的一个线性函数，近似出测量值函数，重复上面同样的测试；

使用正太分布的同一个随机抽样值列表，改用h的近似传递所有$x_i$值，现在结果又呈现出高斯分布特征。

问题3：那么，如何对非线性函数进行线性化处理呢？

扩展卡尔曼滤波器EKF使用了一阶泰勒展开式，首先评估在均值位置$\mu$的非线性函数，这也是预测分布的最佳估算，然后使用围绕$\mu$的协度来推断这条线，斜率由h的第一个导数给出。
类似地，当状态转换f(x)也是非线性时，EKF采用完全一样的线性化转换。

2.2.2 雅可比式

如果把前面线性化例子归纳到更高的维度，那么函数h(x)对应于x的导数被称作雅可比式，它是一个3x4矩阵，包含所有偏导数：

雅可比矩阵是
$$Hj=\left[\begin{array}{cccc}\frac{p_x}{\sqrt{p_x^2+p_y^2}}& \frac{p_y}{\sqrt{p_x^2+p_y^2}}& 0& 0\\ -\frac{p_y}{p_x^2+p_y^2}& -\frac{p_x}{p_x^2+p_y^2}& 0& 0\\ \frac{p_y(v_x{p}_y-v_y{p}_x)}{(p_x^2+p_y^2{)}^{\frac{3}{2}}}& \frac{p_x(v_y{p}_x-v_x{p}_y)}{(p_x^2+p_y^2{)}^{\frac{3}{2}}}& \frac{p_x}{\sqrt{p_x^2+p_y^2}}& \frac{p_y}{\sqrt{p_x^2+p_y^2}}\end{array}\right]$$
计算过程：



雅可比式C++实现：

#include <iostream>
#include <vector>
#include "Dense"

using Eigen::MatrixXd;
using Eigen::VectorXd;
using std::cout;
using std::endl;

MatrixXd CalculateJacobian(const VectorXd& x_state);

int main() {
  /**
   * Compute the Jacobian Matrix
   */

  // predicted state example
  // px = 1, py = 2, vx = 0.2, vy = 0.4
  VectorXd x_predicted(4);
  x_predicted << 1, 2, 0.2, 0.4;

  MatrixXd Hj = CalculateJacobian(x_predicted);

  cout << "Hj:" << endl << Hj << endl;

  return 0;
}

MatrixXd CalculateJacobian(const VectorXd& x_state) {

  MatrixXd Hj(3,4);
  // recover state parameters
  float px = x_state(0);
  float py = x_state(1);
  float vx = x_state(2);
  float vy = x_state(3);

  // pre-compute a set of terms to avoid repeated calculation
  float c1 = px*px+py*py;
  float c2 = sqrt(c1);
  float c3 = (c1*c2);

  // check division by zero
  if (fabs(c1) < 0.0001) {
    cout << "CalculateJacobian () - Error - Division by Zero" << endl;
    return Hj;
  }

  // compute the Jacobian matrix
  Hj << (px/c2), (py/c2), 0, 0,
      -(py/c1), (px/c1), 0, 0,
      py*(vx*py - vy*px)/c3, px*(px*vy - py*vx)/c3, px/c2, py/c2;

  return Hj;
}

3 扩展卡尔曼滤波器实现

相比线性系统，这里只是使用非线性函数f(x)来预测状态，使用h(x)计算测量误差，状态转换矩阵F和测量矩阵H被对应的雅可比式F、H和$H_j$替代

ps:当传感器属性是线性系统时，扩展卡尔曼滤波与卡尔曼滤波完全相同。
现在回到最初的流程图

算法过程：

跟踪一名行人，他的状态通过二维位置向量和二维速度向量表示，$x=(p_x,p_y,v_x,v_y{)}^T$ ，每次收到来自特定传感器的新测量值时，都会触发估算函数process measurement，

第一次迭代时，仅初始化状态向量和协方差矩阵;

随后调用了预测和测量更新，在预测前，我们必须计算当前和前一次观察之间的时间差，根据时间差，我们计算新的状态转换，和过程协方差矩阵；

测量更新步骤取决于传感器类型，因此如果当前观察数据来自雷达传感器，必须计算新的雅可比矩阵$H_j$，使用非线性测量函数来估算预测状态并调用测量更新；

否则，如果当前观察数据来自激光雷达，那么只需使用激光雷达的H和R矩阵设置扩展卡尔曼滤波，让那后调用测量更新。

4.算法评估

当我们实现了追踪算法之后，我们需要检查算法效果如何，评估估算结果和真实结果差别有多大；有很多评估标准，但最常见的标准叫做均方根误差。

在追踪场景下，它是一个准确度标准，可测量估算状态和真实状态之间的偏差。
它需要两个分量：
估算状态：这是一个向量，带有位置和速度分量；
真实数值：通常叫做标定的真实数值；

估算状态和真实状态之间的差，叫做残差，这些残差先平方然后求均值，最后得到平方根就是误差。
误差越低，估算准确率就越高。
C++实现：

#include <iostream>
#include <vector>
#include "Dense"

using Eigen::MatrixXd;
using Eigen::VectorXd;
using std::cout;
using std::endl;
using std::vector;

VectorXd CalculateRMSE(const vector<VectorXd> &estimations,
    const vector<VectorXd> &ground_truth);

int main() {
  /**
   * Compute RMSE
   */
  vector<VectorXd> estimations;
  vector<VectorXd> ground_truth;

  // the input list of estimations
  VectorXd e(4);
  e << 1, 1, 0.2, 0.1;
  estimations.push_back(e);
  e << 2, 2, 0.3, 0.2;
  estimations.push_back(e);
  e << 3, 3, 0.4, 0.3;
  estimations.push_back(e);

  // the corresponding list of ground truth values
  VectorXd g(4);
  g << 1.1, 1.1, 0.3, 0.2;
  ground_truth.push_back(g);
  g << 2.1, 2.1, 0.4, 0.3;
  ground_truth.push_back(g);
  g << 3.1, 3.1, 0.5, 0.4;
  ground_truth.push_back(g);

  // call the CalculateRMSE and print out the result
  cout << CalculateRMSE(estimations, ground_truth) << endl;

  return 0;
}

VectorXd CalculateRMSE(const vector<VectorXd> &estimations,
    const vector<VectorXd> &ground_truth) {

  VectorXd rmse(4);
  rmse << 0,0,0,0;

  // TODO: YOUR CODE HERE
  // check the validity of the following inputs:
  //  * the estimation vector size should not be zero
  //  * the estimation vector size should equal ground truth vector size

    if (estimations.size() != ground_truth.size()
      || estimations.size() == 0) {
    std::cout << "Invalid estimation or ground_truth data" << std::endl;
    return rmse;
  }
  // TODO: accumulate squared residuals
  for (int i=0; i < estimations.size(); ++i) {
    // ... your code here
     VectorXd residual = estimations[i] - ground_truth[i];

    // coefficient-wise multiplication
    residual = residual.array()*residual.array();
  
    rmse += residual;
    
  }

  // TODO: calculate the mean
    rmse = rmse/estimations.size();
  // TODO: calculate the squared root
    rmse = rmse.array().sqrt();
  // return the result
  return rmse;
}

5. 传感器融合项目实例

一个C++实现的完整扩展卡尔曼滤波实例，也是优达学城的无人驾驶纳米课程第五个项目；

项目代码：
https://github.com/luteresa/P5-Extended-Kalman-Filter

运行结果：