qhu1600417010的博客

2)每个时刻都包含观测，预测和估计三个值，其中t时刻的预测是借助t-1时刻的估计以及状态转移方程得到，t时刻的估计是加权t时刻的观测和t时刻的预测得到。首先引用部分的两个链接已经把卡尔曼滤波前世今生讲解的非常详细了，在这里我把自己的理解写出来，方便若干年后的自己能够看到符合自己理解的讲解，不用重写总结。这是一个比较耗时间的工作，卡尔曼滤波的原理书写和代码阅读都比较耗时间，暂时先搁置吧。今天，要来说一下关于卡尔曼滤波的一些老生常谈的东西，什么是卡尔曼滤波，卡尔曼滤波的步骤和卡尔曼滤波最终形式的由来。

雷达的距离估计取决于Rx信号和Tx信号的频率差， 并且最大探测距离也受限于系统的采样频率和带宽, 与带宽成反比。采样频率S固定时，带宽越小，最大探测距离越大，但因距离分辨率与带宽成正比，所以带宽也不能无限变小。带宽固定时，采样次数N越大，最大探测距离越远，但因N的增加会引起计算量增加和储存量增加，所以N也不能无限增加距离分辨率取决于带宽，与带宽成反比。在周期时间TcT_cTc​不变的时候，提高频率变化率。在频率变化率不变的时候，延长chirp信号，也就是提高周期时间，都可以提高距离分辨率。

卡尔曼滤波预测和更新两部分，卡尔曼滤波主要实现预测过程个更新过程；因此在代码实现的时候需要完成四部分。

IPM变换就是消除这种透视效应，所以也叫逆透视。原本平行的两条车道线，在针孔相机下因为透视变换，在图片中看到的效果并不平行，这是因为透视现象。而IPM的思想可以将原来的透视结果转换到鸟瞰图的视野下，看到的车道线也是水平的。透视变换的作用是让我们从另外一个角度观察图片中的场景，例如俯视。它能帮助我们避免例如“近大远小”造成的图像世界与现实世界的偏差，其方法的本质是“映射”，将原图像的像素点按照一定的“比例”映射到另外一张图上。IPM变换具有很多应用，求取IPM图像的方法亦是有很多。

双目深度估计是通过两个相机的对同一个点的视差来得到给该点的深度。标准系统的双目深度估计的公式推导需要满足:1)两个相机的光轴水平；2) 两个相机焦距分辨率一致，也即内参一致；3)两个相机的成像平面水平，两个相机坐标系之间只存在x轴方向的平移关系。但是得到的双目系统，不一定满足上述的三个条件，两个相机的坐标系之间大概率存在某个旋转平移关系，因此在使用标准系统的双目估计原理公式之前，需要首先完双目相机之间的外参标定，得到两者的旋转平移关系。

针孔相机的内参标定针孔相机原理真空相机模型图片的伸缩和裁剪变换内参标定———非线性优化张正定标定详细原理(含公式推导)通过多张棋盘格照片完成相机的内参标定流程(C++代码)其他工具箱相机分为短焦镜头和长焦镜头，短焦镜头看到的视野更广阔，同样距离大小的一颗树，在短焦相机中所占的像素个数较少。长焦镜头看到的视野较窄，能看的更远。因为同样距离大小的一棵树，在长焦距镜头中的像素个数更多；同一款芯片，短焦距fov大，长焦fov小。针孔相机原理真空相机模型要搞明白针孔相机模型，首先需要明确世界坐标系OXwY

本篇文章用于记录基于ROS系统的balser相机的内参标定流程，使用的是balser 1920-40gc相机和computar-C镜头。相机帧率42fps, 分辨率2.3MP， 感光芯片IMX249, 镜头焦距8mm。

激光雷达和相机联合标定工具论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9564700github地址: https://github.com/acfr/cam_lidar_calibrationyutou视频安装讲解：https://www.youtube.com/watch?v=WmzEnjmffQU标定过程参考链接: https://blog.youkuaiyun.com/weixin_41681988/article/deta

自动驾驶中不同坐标系的意义辨析和应用

自动驾驶的域控制器接口比较多，有摄像头、激光雷达、毫米波雷达、超声波雷达传感器，用于定位的IMU，用于车联网的V2X模块，用户底盘线控。常用的软件架构包括了操作系统，中间件和应用层AI算法三个层次。硬件部分分为三个部分。