《智能駕駛之激光雷達(dá)算法詳解》激光雷達(dá) +IMU組合定位

jinchanchanwaji

激光里程計(jì)算法，僅憑激光點(diǎn)云估算激光雷達(dá)的運(yùn)動(dòng)狀態(tài)，其精度顯著受激光點(diǎn)云質(zhì)量波動(dòng)影響。IMU（慣性測(cè)量單元），作為廣泛應(yīng)用于機(jī)器人及汽車(chē)領(lǐng)域的傳感器，集成了陀螺儀與加速度計(jì)，能精確捕捉并輸出被測(cè)物體的角速度與加速度信息，進(jìn)而通過(guò)積分運(yùn)算推算出其在一定時(shí)間內(nèi)的姿態(tài)與位置變化。然而，IMU在實(shí)際運(yùn)作中易受多種干擾因素影響，尤其是加速度計(jì)的誤差會(huì)隨時(shí)間累積，導(dǎo)致導(dǎo)航精度下降。因此，常需借助外部信息融合策略，以強(qiáng)化IMU的定位精度。鑒于激光里程計(jì)依賴低頻的環(huán)境感知進(jìn)行定位，而IMU則通過(guò)高頻的自身運(yùn)動(dòng)狀態(tài)積分進(jìn)行位姿估計(jì)，兩者在功能上存在天然的互補(bǔ)性。眾多學(xué)者因此致力于將激光里程計(jì)與IMU相結(jié)合，以實(shí)現(xiàn)高精度、實(shí)時(shí)性的定位。根據(jù)融合方式與原理的不同，這一領(lǐng)域的研究被細(xì)化為L(zhǎng)iDAR+IMU松耦合與緊耦合兩大方向。         激光雷達(dá)與IMU的松耦合定位策略，巧妙融合了激光里程計(jì)與IMU航位推算技術(shù)。兩者獨(dú)立運(yùn)作，依托卡爾曼濾波、粒子濾波等先進(jìn)框架，實(shí)現(xiàn)精準(zhǔn)信息融合，最終精確輸出定位結(jié)果。2019年，國(guó)助科技BXue團(tuán)隊(duì)創(chuàng)新性地提出IMU-AHFLO算法，該算法憑借點(diǎn)線特征或點(diǎn)云分布特征匹配的激光里程計(jì)，捕捉車(chē)輛在兩幀點(diǎn)云間的位姿變化，隨后，高頻IMU數(shù)據(jù)攜手車(chē)輛運(yùn)動(dòng)學(xué)方程，預(yù)測(cè)上述時(shí)刻的位姿變遷，最終，卡爾曼濾波器精準(zhǔn)估算車(chē)輛新姿態(tài)。南昌大學(xué)的廖杰華則另辟蹊徑，將LOAM算法與自適應(yīng)粒子濾波技術(shù)巧妙結(jié)合，專為無(wú)人物流小車(chē)打造室內(nèi)定位新方案。而Google的Cartographer算法，更是以分層優(yōu)化為核心，前端運(yùn)用無(wú)跡卡爾曼濾波器實(shí)現(xiàn)2D激光雷達(dá)與IMU數(shù)據(jù)的無(wú)縫融合，后端則聚焦于子地圖構(gòu)建與優(yōu)化，輔以分支定界法，顯著加速閉環(huán)檢測(cè)，確保定位系統(tǒng)的高效與精準(zhǔn)。         激光雷達(dá)與IMU的緊耦合定位技術(shù)，相較于松耦合方式，顯著減少了信息損失。這一創(chuàng)新方法將激光雷達(dá)與IMU數(shù)據(jù)融合于同一位姿優(yōu)化問(wèn)題中，實(shí)現(xiàn)了更為精準(zhǔn)的位姿估計(jì)。緊耦合定位策略可細(xì)化為基于濾波器與平滑優(yōu)化兩大流派。基于濾波器的方法，在狀態(tài)更新中無(wú)縫整合多源傳感器數(shù)據(jù)，如H. Sebastian等先驅(qū)者利用自適應(yīng)擴(kuò)展卡爾曼濾波器，成功將3D激光雷達(dá)與GPS/INS融合，賦能無(wú)人小車(chē)室外精準(zhǔn)導(dǎo)航。然而，濾波器固有的線性化近似與遞推機(jī)制，隨時(shí)間推移易累積誤差，影響長(zhǎng)期定位精度。為克服此局限，香港科技大學(xué)機(jī)器人與多感知實(shí)驗(yàn)室的C. Qin團(tuán)隊(duì)在ICRA 2020上隆重推出LINS算法，該算法采用迭代誤差狀態(tài)卡爾曼濾波器，深度融合激光雷達(dá)與IMU數(shù)據(jù)，通過(guò)持續(xù)校正系統(tǒng)狀態(tài)誤差，實(shí)現(xiàn)了車(chē)輛實(shí)時(shí)、高精度的定位與建圖，為緊耦合定位技術(shù)樹(shù)立了新的里程碑。         MU-AHFLO 算法：聚焦于LDAR+IMU融合策略中極具代表性的IMU輔助高頻LDAOdmery（簡(jiǎn)稱MULAHFLO）算法，深入其量測(cè)與融合機(jī)制。相較于緊密耦合方案中復(fù)雜的IMU預(yù)積分與因子圖等理論框架，基于EKF的長(zhǎng)時(shí)耦合模型展現(xiàn)了其簡(jiǎn)潔性。為深化理解，本節(jié)將細(xì)致剖析wXur等人在MULAHFLO算法中的公式推導(dǎo)精髓。核心目標(biāo)是融合IMU與激光雷達(dá)數(shù)據(jù)，以精準(zhǔn)捕捉車(chē)輛的實(shí)時(shí)位姿信息。為此，首要任務(wù)是明確求解流程中不可或缺的三個(gè)坐標(biāo)系定義，具體構(gòu)建如圖12-1清晰展示。此步驟為數(shù)據(jù)融合奠定了堅(jiān)實(shí)的理論基礎(chǔ)，確保后續(xù)處理能夠精準(zhǔn)無(wú)誤地跨越不同坐標(biāo)空間，實(shí)現(xiàn)高精度的位姿估計(jì)。         IML-AHFLO算法：聚焦于IML-AHFLO算法，深入剖析了IMU與LiDAR如何通過(guò)卡爾曼濾波框架實(shí)現(xiàn)松耦合定位的精妙機(jī)制。鑒于IMU與LiDAR在車(chē)輛位置計(jì)算上的原理迥異，其失效模式亦不相同，因此，二者的融合策略巧妙地彌補(bǔ)了各自的不足。具體而言，鑒于IMU/輪速計(jì)數(shù)據(jù)的高頻特性與激光里程計(jì)的低頻特性，IML-AHFLO算法巧妙地利用IMU/輪速計(jì)數(shù)據(jù)結(jié)合車(chē)輛運(yùn)動(dòng)狀態(tài)方程，對(duì)車(chē)輛位置進(jìn)行前瞻預(yù)測(cè)，并借助激光里程計(jì)的輸出作為觀測(cè)依據(jù)，最終通過(guò)卡爾曼更新流程，精準(zhǔn)地估算出車(chē)輛的后驗(yàn)狀態(tài)。然而，此松耦合策略雖原理簡(jiǎn)明且易于實(shí)現(xiàn)，但在高效利用IMU與LiDAR數(shù)據(jù)方面略顯不足，且IMU測(cè)量誤差的累積效應(yīng)可能削弱算法精度，此時(shí)，IMU與LiDAR的緊耦合定位策略便顯得尤為重要。         WO-SAM算法：由麻省理工學(xué)院T.Shan等人在2020年匠心獨(dú)運(yùn)的杰作。LIO-SAM旨在依托因子圖優(yōu)化框架，實(shí)現(xiàn)激光雷達(dá)、IMU與GPS的實(shí)時(shí)、穩(wěn)定且高精度的融合定位，其開(kāi)源代碼已在GitHub上開(kāi)放共享。為深入理解該算法，我們需先掌握因子圖優(yōu)化與IMU預(yù)積分技術(shù)的基礎(chǔ)理論，隨后再逐步揭開(kāi)LIO-SAM算法的神秘面紗。         因子圖優(yōu)化：因子圖，這一無(wú)向概率圖的杰出代表，源自Kschischang等人在信道編碼領(lǐng)域?qū)�Tanner圖、Wiberg圖等模型的深刻洞察與創(chuàng)新。因子圖以其獨(dú)特的因式分解能力，將復(fù)雜系統(tǒng)的全局函數(shù)拆解為多個(gè)簡(jiǎn)潔的局部函數(shù)乘積，并通過(guò)“和-積”算法清晰地勾勒出系統(tǒng)狀態(tài)變量間的信息傳遞脈絡(luò)。在統(tǒng)計(jì)推斷、譯碼編碼、實(shí)時(shí)定位等多個(gè)領(lǐng)域，因子圖均展現(xiàn)出廣泛的應(yīng)用價(jià)值。其結(jié)構(gòu)由變量節(jié)點(diǎn)與因子節(jié)點(diǎn)構(gòu)成，二者通過(guò)無(wú)向邊緊密相連，共同編織出系統(tǒng)狀態(tài)的精密網(wǎng)絡(luò)。在SLAM領(lǐng)域，因子圖更是以其獨(dú)特的優(yōu)勢(shì)，助力我們更高效地解析與定位復(fù)雜環(huán)境。

最近組里有崗位，需要大量招聘汽車(chē)設(shè)計(jì)師，具體要求如下：
內(nèi)外飾數(shù)字模型工程師      
1、負(fù)責(zé)內(nèi)飾全倉(cāng)數(shù)字模型設(shè)計(jì)工作
2、對(duì)內(nèi)飾零部件有充分了解、IP、門(mén)板、console等零部件
3、負(fù)責(zé)內(nèi)飾IP、門(mén)板、座椅、console、頂棚、立柱等零部件的設(shè)計(jì)工作
4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達(dá)設(shè)計(jì)意圖。      

要求
1、大專及以上學(xué)歷，藝術(shù)設(shè)計(jì)、工業(yè)設(shè)計(jì)相關(guān)專業(yè)
2、熟練使用ALIAS軟件
3、 測(cè)試A級(jí)至少5-8年實(shí)際CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn) 測(cè)試B級(jí)至少3-5年CAS、A面設(shè)計(jì)工作經(jīng)驗(yàn)
4、善于團(tuán)隊(duì)合作、有責(zé)任心、敢于擔(dān)當(dāng)、工作主動(dòng)積極
有意者戳汽車(chē)造型/產(chǎn)品設(shè)計(jì)師社會(huì)招聘-表單-金數(shù)據(jù) (jsj.top)