自动驾驶：传感器初始标定

  • 开发
  • 65

手眼标定

机器人手眼标定Ax=xB（eye to hand和eye in hand）及平面九点法标定
Ax = xB问题求解，旋转和平移分步求解法
手眼标定AX=XB求解方法（文献总结）

基于靶的方法

  1. 相机标定
    (1) ApriTag
    (2) 棋盘格：cv::findChessboardCorners
    (3) 品字格
  2. 激光雷达标定
    (1) 激光雷达反射板

在线标定

这里面的在线标定指相对路面的位姿估计

1.广角前视相机

(1) 基于LK稀疏光流求解H的动态标定方案

首先利用opencv::calcOpticalFlowPyrLK提取出连续两帧之间的稀疏光流
假设相机在两个不同位置拍摄同一个平面（路面）
在这里插入图片描述

frame1中的点可以由以下公式转换到frame2中
在这里插入图片描述
X1表示三维坐标点，在平面P上，因此X1沿着平面法向量n的投影距离为d
在这里插入图片描述
进一步推导
在这里插入图片描述
结合公式1我们可以得到
在这里插入图片描述
因此我们就得到了平面的单应性矩阵
在这里插入图片描述
因此x2= Hx1，其中x1和x2分别是上一帧和当前帧相机坐标系下的点(x,y,1)，我们可以根据x2 - Hx1构建重投影误差来优化H
那么如何由H分解出来相机与车辆的标定矩阵呢？
H是相机之间的变化Rt_cam求得的（本质上优化H也就是优化Rt_cam），然后根据车辆坐标系的移动Rt_vcs，可以计算出相机到车辆的标定Rt，如下所示
在这里插入图片描述

(2) 基于光流和车辆直行场景下估计yaw和pitch

在这里插入图片描述
首先通过光流构建前后帧特征点之间的匹配关系，然后构建极线约束求解Essential Matrix，分解E得到位移方向t的初值
在这里插入图片描述
利用最优化方法得到更精确的t的值，多个匹配特征点，tx和R构建sampson error优化，然后求解yaw和pitch
在这里插入图片描述
在这里插入图片描述

(3) 基于稠密光流

阅读全部

相关推荐

  3. 自动驾驶多传感器融合学习笔记

    2023-12-09 00:08:01       67 阅读

  5. 自动驾驶中的传感器融合算法

    2023-12-09 00:08:01       72 阅读

最近更新

  3. docker php8.1+nginx base 镜像 dockerfile 配置

    2023-12-09 00:08:01       98 阅读

  4. Could not load dynamic library ‘cudart64_100.dll‘

    2023-12-09 00:08:01       106 阅读

  9. 在Django里面运行非项目文件

    2023-12-09 00:08:01       87 阅读

  19. Python语言-面向对象

    2023-12-09 00:08:01       96 阅读

  20. 如何分清楚常见的 Git 分支管理策略Git Flow、GitHub Flow 和 GitLab Flow

    2023-12-09 00:08:01       91 阅读

热门阅读

  1. 文章解读与仿真程序复现思路——电力系统自动化EI\CSCD\北大核心《考虑两阶段鲁棒优化配置的多微网合作博弈》

    2023-12-09 00:08:01       49 阅读

  2. using meta-SQL 使用元SQL 六

    2023-12-09 00:08:01       45 阅读

  3. 鸿蒙(HarmonyOS)应用开发——管理组件状态

    2023-12-09 00:08:01       61 阅读

  5. TensorRT-LLM保姆级教程（一）-快速入门

    2023-12-09 00:08:01       64 阅读

  11. 计算机网络之网络层

    2023-12-09 00:08:01       65 阅读

  14. Halcon Dict相关算子(一)

    2023-12-09 00:08:01       57 阅读

  18. 12月07日，每日信息差

    2023-12-09 00:08:01       53 阅读

  23. mongdb配置ssl

    2023-12-09 00:08:01       63 阅读

  26. Android之 知识总结第二篇

    2023-12-09 00:08:01       60 阅读