Camera Radar Fusion Project with TI Automotive Processors
 |
|
任何顏色車牌——都拍攝的清清楚楚！
|
Pony.ai 在多感測器感知上，累積了很多的經驗，尤其是今年年初在卡車上開始了新的嘗試。我們有不同的感測器配置，以及不同的場景，對多感測器融合的一些新的挑戰，有了更深刻的認識，今天把這些經驗，總結一下，分享給大家，與大家一起討論。
本次分享分為三部分：
- 為什麼需要多感測器融合？
- 感測器融合的一些先決條件
- 如何做感測器融合？
為什麼需要多感測器融合？
首先，單一感測器在自動駕駛中，都有各自的挑戰，所以先瞭解下常用的感測器的挑戰是什麼：
1. Camera data
攝影機數據遇到的挑戰：
① 沒有深度資訊。
② 視場角有限，以卡車的感測器配置來說，需要比較多的攝影機，這裡用到了 6 個攝影機覆蓋了 270° 的視場角。
③ 攝影機受外界條件的影響也比較大，（上圖右下方）這是當車行駛到橋下時，由於背光，且光線變化比較大，導致無法辨識正前方的交通燈。
2. Lidar data
雷射雷達數據的，一個比較大的挑戰是感知範圍比較近，如右圖所示，感知範圍平均在 150m 左右，這取決於環境和障礙物的不同。
雷射雷達在角分辨度上遠遠不如攝影機，如上圖，有三條小狗在過馬路，在攝影機上可以清楚的看到，但是在雷射雷達上，採集到的點是比較少的，這樣的場景在每天複雜道路路測的時候，會經常遇到。
雷射雷達對環境的敏感度也是比較大的，上圖為 Pony 路測的時候經常遇到的，虛擬噪點的 Case，在車經過建築工地的時候，在圖像上可以看到並沒有任何的障礙物，但是在雷達上前面有很多的噪點，右邊是雨天中的測試，車輛行駛中濺起來的水花，在雷射雷達上都是有噪點的，如何去除這樣的噪點，是我們經常面臨的挑戰。
3. Radar data
毫米波雷達，本身的一個挑戰是沒有高度資訊，毫米波雷達能告訴你這個物體在哪個位置，但是不知道多高，這個 case 就是前面有一個比較高的指路牌，毫米波雷達知道這兒有個障礙物，但是不知道是懸空的。
4. Why sensor fusion
當看過了這些單一感測器，在自動駕駛中面臨的挑戰，自然會想到，做多感測器融合，進行感測器之間的取長補短，來幫助整個感知系統效果的提升。
這裡的例子是，如何利用多感測器來提升感知的探測距離，當障礙物距離 150m 左右時，雷射雷達的反射點，已經比較少了，但是這時毫米波雷達和攝影機還是比較穩定的。
當障礙物駛出 200m 的範圍，基本上沒有任何的雷射雷達反射點了，但是 200m 取決於自動駕駛車輛本身的車速是多少，200m 的感知距離還是必要的，這時只能透過毫米波雷達和攝影機，來提升對障礙物的感知距離，從圖中可以看到障礙物，還是可以穩定辨識出來的。
感測器融合的先決條件
1. 運動補償＆時間同步
① Ego motion
為什麼做運動補償？在自動駕駛感測器感知過程中，感測器採集數據，一般都不是瞬時發生的，以雷射雷達為例，採集一圈數據需要 0.1s，在這 0.1s 內，本身車會發生一定的位移，障礙物也會發生一定的位移，如果我們不考慮這樣的位移的話，我們檢測出來的位置就會不準確。
位移有倆種，第一種就是車自身的位移 Ego motion。右邊畫了一個示意圖，虛線部分可以認為是世界坐標系，紅色的點代表一個靜態的障礙物，它在坐標系中有一個穩定的坐標（5，5），藍色部分代表車自己的坐標系是局部坐標系，（4，0）為這個坐標系的原點，在 t+1 時刻，這個坐標系移動到了（6，0）的位置，車沿著 X 方向向前移動了 2，在 t 時刻在車自身的坐標系下，障礙物的坐標是（1，5），在 t+1 是時刻，則是（-1，5）。
如果不做車自身運動的補償，靜止的物體在 2 幀之間，測量的局部坐標是不一樣的，就會產生錯誤的速度，因此，要去補償車本身的位移，做自身的 Motion compensation 運動補償。這個問題比較簡單，因為車是有比較準確的定位資訊的，它會提供這倆個時刻，車本身的姿態差距，我們可以利用姿態差，比較容易的補償車移動了多少，那我們就可以知道這個障礙物其實是沒有移動的。
② Motion from others
第二種要考慮的是運動物體在感測器採集的時間段內，運動物體發生的位移，相對於自身運動補償，這是一個更難的 case，首先快速移動的物體，在雷射點雲裡，很可能會被掃到倆次，大家可以看下紅圈內，尾部會有拖影。
所以我們如何想辦法消除對方車的 Motion，也是要考慮的。解決的方式有很多，現在雷射雷達本身從硬體上也會有些配置，來舒解這樣的現象，簡單解釋下，當你用多個雷射雷達在自動駕駛車輛時，可以讓雷射雷達按照同樣的方式一起轉，在某一個特定的時段，特定的方向，應該掃到同樣的東西，這樣來減少快速移動的物體產生拖影這樣的問題。
③ 時間同步
在很多自動駕駛車輛感測器中，大部分支持 GPS 時間戳的時間同步方法。這個方法比較簡單，如果感測器硬體，支援這些時間同步的方法，拿到感測器數據的時候，數據包中就會有全局的時間戳，這樣的時間戳以 GPS 為基準，非常方便。
但是，時間戳查詢數據，會有一個比較明顯的問題，舉個例子，圖中有三個數據，三個感測器和時間軸，不同感測器是以不同頻率來採集數據的，以感測器 2 為例，在 T1 時刻，感測器 2 有一個數據，在這個時刻，想知道對應的感測器 1 和感測器 3 的數據是多少，肯定需要去查找，查找的方式是找對應的感測器數據和傳感器 2 時間差最近的數據包，然後拿過來用，這就取決於查的時候，數據包的時間和 T1 時刻感測器 2 數據包的時間到底差多少，如果差距比較大，本身障礙物都是在移動的，這樣誤差會比較大。
然後就有了第二種時間同步的方法，來舒解剛剛說的這種現象。就是主動數據同步的方法，比如以雷射雷達作為觸發其它感測器的源頭，當雷射雷達轉到某個角度時，觸發那個角度的攝影機，這樣就可以大大減少時間差的問題，如果把這套時間方案做到硬件中，做到比較低的誤差，那麼對齊的效果比較好。如上圖所示，這時雷射雷達的數據，就很好的和攝影機的數據結合在了一起。
剛才說到如果一個自動駕駛車輛，用了多個雷射雷達，雷射雷達之間如何同步，減少掃到同樣車在不同時間這樣的問題，velodyne 是我們常用的一個品牌，支持一種 Phase Lock 功能，能夠保證在某一時刻，所有的雷射雷達的角度，都可以根據 Phase Lock 的配置，在固定的角度附近。
這樣如果用倆個前向的雷射雷達，都設置一個角度，在同一時刻，掃到的東西應該是類似的，這樣一個快速行駛的車，被掃到 2 次的機率就會減少，當然這個辦法也不能完全解決問題，比如有個人和我們的雷射雷達以同樣的頻率一起轉，那麼在雷射雷達掃描的點雲中，人一直會出現，所以還要透過軟體的方法，設置的一些規則或者模型來想辦法剔除。
2. 感測器標定
接下來是另外一個比較大的話題：Sensor Calibration 感測器標定。這裡主要是指感測器外參的標定。
感測器外參其實就是剛體旋轉，因為物體上的倆個點，在經過旋轉和平移之後，兩個點之間的 3D 位置是不會變的，所以叫剛體旋轉，在自動駕駛和機器人上，剛體旋轉還是比較常見的。感測器外參的標定，就是要找到這樣的一個剛體旋轉，可以把一個感測器的數據，和另一個對齊。
相當於把一個感測器測量的數據，從其本身的坐標系，透過剛體旋轉，轉到另一個感測器坐標系，這樣就可以進行數據融合了。
上圖中，左邊為圖像，中間為雷達，如果有一個比較好的外參工具，可以把 3D 的點投射到 2D 圖像上，所有的障礙物的點都可以對應上，相當於把 2D 上的像素都加上了深度的估計。這樣在圖像品質並不是很高的情況下，可以通過這樣的方式把資訊補回來。
感測器的標定一般有兩種思路，第一種是有雷射雷達的感測器標定，第二種是無雷射雷達的感測器標定，之所以這麼分，是因為雷射雷達採集的數據是完整的 3D 資訊，空間中的 ( x，y，z ) 都是準確的，並不會有資訊的丟失，而攝影機得到的數據，可以認為是極坐標系下的坐標，沒有深度和角度，而毫米波雷達是沒有高度的。
所以，如果有這樣的感測器能夠提供完全的 ( x，y，z ) 坐標，以此為參照物，其他感測器和雷射雷達做綁定的話，會更容易和更準確。Pony 是有雷射雷達的，所以今天主要講有雷射雷達的傳感器標定方法。
① Multi-Lidar Calibration
首先講下多雷射雷達是如何標定的，上圖可以看到正好用到的是兩個前向雷射雷達，這兩個雷射雷達在前向 180° 是有比較大的覆蓋區域，如果對雷射雷達之間的旋轉和平移，沒有比較好的估計，當把兩張雷射雷達的點雲放在一起，進行感知處理的時候，在紅框位置會發現，存在比較大的分隔（黃線和藍線分別代表兩個前向雷射雷達），這種情況肯定是不想遇到的，所以需要把多個雷射雷達做比較準確的標定。
標定的方法是已知的，非常好解決的問題，因為雷射雷達本身是有完全的 3D 資訊，解決這樣兩個數據集匹配的問題，就是 ICP（Iterative Closest Point）更新式最近點方法。
這個方法有很多的變種，感興趣的同學可以百度或者 Google 搜索下。
② Camera Lidar Calibration
另外一個就是攝影機和雷射雷達之間的標定。攝影機本身是沒有距離資訊的，那麼如何去做標定？同樣雷射雷達是有 3D 資訊的，可以透過標定的方式，把雷射雷達投到圖像的坐標系中，建立圖像的像素點，和雷射雷達投影後的點之間的匹配，然後透過某種優化方程，來解決這樣一個匹配問題。
舉一個簡單的例子，比如現在要選取一系列，雷射雷達檢測出來的候選點，如何選這些點呢？這些點一定是在圖像上，比較容易能夠辨識出來的邊界點。
選取方法也比較簡單，因為雷射雷達有距離資訊，只需要找相鄰兩個雷射點之間的距離差，就可以判斷這樣一個點是不是邊界點，我們可以輕易的選出這樣的候選點，透過這樣的投影方式，紅框是我們要求的標定參數，K 矩陣為相機本身的內參，透過這個數學關係，我們可以把剛才 3D 中檢測的候選點，投到 2D 上，上圖中的 X 就是投射後的位置。
我們可以根據 3D 投影點和 2D 檢測的邊界，進行匹配，然後根據他們之間的距離比對程度，建立這樣一個優化方程，然後解這樣一個優化問題，來估計出 Calibration 的參數。
大家如果感興趣可以參考這篇 paper：Automatic Online Calibration of Cameras and Lasers，詳細的講述了其中的數值原理，可以看到綠色的是 3D 點投射到圖像上，是一些邊界點候選的區域，如果有一個比較好的標定結果，這些邊界點會比較好的和圖像匹配起來。
3. 感測器視場角
接下來看下感測器不同視場角，帶來的融合問題。
這裡有一個簡單的示意圖，假設在這個位置上有兩個雷射雷達，它們有各自不同的視場角，但是前方有個障礙物 A ，剛好在感測器 2 的視場角內，把障礙物 B 完全遮擋了，障礙物 B 只出現在一個感測器檢測的視場角內部，這帶來的問題是：我們到底該不該相信，這裡存在一個障礙物？這是比較常見的問題，需要我們經過不斷的路測，來完善。
如何做感測器融合？
1. Camera Lidar Fusion
首先講一下攝影機和雷射雷達融合，方法 1 之前大概講過，就是說雷射雷達有 ( x，y，z ) 比較明確的 3D 觀測，透過標定參數，透過攝影機本身的內參，就可以把 3D 點投到圖像上，圖像上的某些像素，就會打上深度資訊，然後可以做基於圖像的分割或者 Deep Learning Model。
需要注意的是，多感測器的時候，視場角可能會不一樣，可能會造成噪點或者漏點，這裡比較推薦的方法，是把攝影機和雷達安裝在一起，越近越好。
另一個比較直觀的方法，是否能將 2D 檢測出來的障礙物，直接投影到 3D，然後生成這樣的 3D 障礙物，這種方法，在做很多的假設條件下（比如障礙物的大小，地面是否平整），也是可以做的，如上圖，攝影機的內參，車的位置高度，都是已知的，這時在 2D 上辨識出的每個幀的障礙物，都可以還原成 3D 在攝影機坐標系下的一條射線，然後找這條射線在 3D 坐標系下和平面的交點，就可以估計出 2D 障礙物在 3D 上的距離。
上圖為 Pony 在建築工地旁採集的數據，可看到這些路障，都是直接生成到 3D 的（圖中有個漏點，也是我們還需要努力提高的）。
2. Radar Lidar Fusion
至於毫米波雷達和雷射雷達的融合方式就更簡單了。因為在笛卡爾坐標系下，它們都有完整的 ( x，y ) 方向的資訊，那麼在普適的笛卡爾坐標系下，做針對於距離的融合，而且毫米波雷達還會測速，對障礙物速度也是有一定觀測的，然後雷射雷達透過位置的追蹤，也會得到障礙物速度的估計，這些速度的資訊也可以用來做融合，幫助篩選錯誤的比對候選集。
這是 Pony 雷射雷達和毫米波雷達融合的效果，紅圈裡的障礙物是 Radar 補充的。
當然，不同感測器之間融合的特例還是很多的，比如雷射雷達和毫米波雷達融合的時候，可以看到，這個場景是前方有比較高的路牌時，毫米波雷達會在這個位置產生障礙物，恰好雷射雷達也有噪音，因為恰好前方有車，這時在牌子底下也會產生噪點，所以雷射雷達和毫米波雷達，都在這個地方檢測出來，本不應該出現的障礙物，這時兩個感測器都告訴你，前方有個障礙物，只有攝影機說前方只有一個障礙物，這時該怎麼辦？（如果想瞭解 Pony 具體如何解決的，歡迎大家加入 Pony，我會告訴你答案 o(∩_∩)o）
總結
總結來說，每個感測器都有自己的一些問題，感測器融合就是說，我們要把這些感測器結合起來做取長補短，提升整個感知系統的精度和召回度，今天就分享到這裡，謝謝大家。
作者介紹：
劉博聰， Pony.ai Tech lead，公司創始成員。CMU 電子與電腦工程碩士，作為 Pony.ai 創始成員之一，參與了多個無人車模組的設計開發工作，目前主要負責感知系統技術研發。曾就職於百度美國研究院，負責自動駕駛研發；曾就職於 Qualcomm 聖迭戈總部，參與 QNX 車載晶片的嵌入式開發項目。
 |
| AKD 寰楚專業級全系列監控設備 |
沒有留言:
張貼留言