新闻 | 滚动 | 上海 | 政务 | 评论 | 国内 | 社会 | 政法 | 国际 | 军事 | 财经 | 体育 | 娱乐 | 历史 | 汽车 | 图片 | 视频 | 曝光 | 微博 | 专题 | 旅游 | 彩票 | 藏品 | 健康 | 百货 | 导购
奥迪A3三厢
19.40-25.80万
(参考成交价)
车市行情
车型 优惠
赛欧 2
POLO 1.7
DS 4s 4
晶锐 1.3
熊猫 0.4
骊威 1.1
MINI CLUBMAN 5.78
瑞纳 0.7
车型 优惠
福睿斯 1.8
传祺GA3S 1
名图 2.5
速锐 0.3
昕动 0.8
花冠 1.6
6.15
英朗 3.3
车型 优惠
传祺GA6 1
君越 3.4
标致508 4.5
凯迪拉克ATS-L 3
雅阁 3
君威 3.9
帕萨特 3.1
迈锐宝 4.01
车型 优惠
奥迪A8 39.3
捷豹XJ 38.3
宝马6系 3
凯迪拉克XTS 4
林肯MKS 3
Panamera 96
玛莎拉蒂Ghibli 16
捷豹XF 21.5
车型 优惠
奔驰GLE 6
极光 13
Tiguan 5.2
TRAX创酷 1.3
荣威W5 1.4
标致3008 1
揽胜运动版 3.8
兰德酷路泽 8.6
车型 优惠
上汽V80 0.5
埃尔法 0.8
普瑞维亚 1.7
马自达8 2.5
别克GL8 3.1
夏朗 4.7
奥德赛 3.5
艾力绅 2.51

卡尔曼滤波应用于自动驾驶

2018-12-02 01:12 来源: AI火箭营

自动驾驶车辆由各种装置组成,通过该装置收集数据并执行动作。下图显示了车辆中使用的少数重要部件的位置。

卡尔曼滤波应用于自动驾驶

自主车辆的组成部分

卡尔曼滤波器使用的数据来自LIDAR和RADAR。所以现在只关注这两个方面。为何使用卡尔曼滤波器?

我们可以使用卡尔曼滤波器进行有根据的猜测,在我们对某些动态系统有不确定信息的任何地方,系统将要做什么。在自主车辆的情况下,卡尔曼滤波器可用于根据我们的车辆接收的数据预测我们的自动驾驶车辆前方的车辆将采取的下一组动作。这是一个使用两步预测和更新的迭代过程。

由于以下因素,它主要适用于这些类型的操作:

它只根据以前的状态预测下一个状态,不需要历史数据

计算速度非常快,非常适合实时问题

即使环境中出现大量噪声/误差/不确定性,卡尔曼滤波器也会使用得到很好的结果。

我将概述所有这些工作如何通过一个示例来帮助你理解它背后的数学。卡尔曼滤波器如何工作?

卡尔曼滤波器是一个迭代过程,遵循两步预测和更新

卡尔曼滤波应用于自动驾驶

迭代过程的流程图

预测:

在该步骤中,卡尔曼滤波器根据初始值预测新值,然后根据系统中存在的各种过程噪声预测我们预测中的不确定性/误差/方差。

在自动驾驶过程中,可以通过采用我们车辆前方移动的汽车的简单示例来理解噪音。我们的模型将假设汽车由于零加速而以恒定速度移动,但实际上它将具有加速度,即速度将不时波动。这种汽车加速度的这种变化是不确定性/误差/方差,我们使用过程噪声将其引入我们的系统。

更新:

在此步骤中,我们从系统的设备中获取实际测量值。在自动驾驶车辆的情况下,这些设备可以是雷达或激光雷达。然后我们计算预测值和测量值之间的差值,然后通过计算卡尔曼增益来决定保持哪个值,即预测值或测量值。根据卡尔曼增益做出的决定,我们计算新值和新的不确定性/误差/方差。

来自更新步骤的该输出再次反馈到预测步骤,并且该过程继续直到预测值和测量值之间的差异倾向于转换为零。该计算值将是由卡尔曼滤波器完成的预测。

卡尔曼增益:它确定我们的预测值或测量值是否接近实际值。其值范围为0到1。如果其值接近0则表示预测值接近实际值,或者如果该值接近1则表示最终测量值接近实际值。它的值范围从0到1,因为它使用预测值和测量值中的不确定性/误差,并由下面的简单公式表示。

K =预测误差/(预测误差+测量误差)

自动驾驶车中卡尔曼滤波器的实现

在此我们将尝试根据我们迄今为止的信息,了解卡尔曼滤波器如何在自动驾驶汽车中使用。

让我们假设一个2D环境,其中我们有一辆汽车和一个行人移动,如下所示:

卡尔曼滤波应用于自动驾驶

汽车和行人的二维表示

p_x和p_y确定2D位置,v_x和v_y确定行人的2D速度。这可以表示为x =(p_x,p_y,v_x,v_y)。我们必须预测行人的2D位置(p_x',p_y')和2D速度(v_x',v_y'),即x'

由于状态向量仅模拟位置和速度,我们还需要具有不确定性/噪声以便对加速度建模,这由过程协方差矩阵P完成。

预测步骤 :使用以下公式计算预测值x'和预测误差P'也称为过程协方差矩阵:

x'= Fx +B.μ+ν

P'=FPFᵀ+ Q.

F:状态转换矩阵

它用于将状态向量矩阵从一种形式转换为另一种形式。即,假设车辆的状态由位置p和速度v给出,并且在时间t不加速。

X = [p,v]

在特定时间之后说t + 1,新的状态向量X'将是

p'= p + v *Δt

V'= V

在矩阵中,这可以显示如下:

x'= F * x

那么F矩阵将由下式给出:

B:控制输入​​矩阵

它确定由于外力(纵向或横向力)和内力(重力,摩擦力等)引起的控制输入向量μ的变化。在自动驾驶汽车的背景下,我们不能模拟外力,因为它从一个区域到另一个区域变化,而内力则从汽车的一个模型到另一个模型不同。所以大多数是B.μ= 0。

过程噪声/不确定性

它只不过是可以确定系统中可能存在的随机噪声。添加它以使预测位准确。

过程噪音/运动噪音

它在预测位置时给出了物体位置的不确定性。该模型假设速度在时间间隔之间是恒定的,但实际上我们知道物体的速度可以由于加速度而改变。该模型通过过程噪声包含这种不确定性。

更新步骤:快速回顾更新步骤,我们执行以下操作:

找出实际测量值与预测值之间的差异

计算卡尔曼增益

基于卡尔曼增益的结果计算新X和P。

现在我们将看到这些步骤的数学实现第1步:

1 2 下一页
热门推荐
查看更多精彩