SOTIF:用于算法开发和评估的自动驾驶车辆传感器套件数据与地面真实轨迹(2)

2020-02-17 00:12:02·  来源:轩辕实验室  
 
*本文翻译自Juan R.Pimental所著Safety of the Intended Functionality (SOTIF) Book 3 - Automated Vehicle Safety Series,中文版权归轩辕实验室所有2.2地面实
*本文翻译自Juan R.Pimental所著Safety of the Intended Functionality (SOTIF) Book 3 - Automated Vehicle Safety Series,中文版权归轩辕实验室所有
 
2.2 地面实况收集-自动车辆轨道
每辆车都配备了一个Applanix GPS/IMU,外加一个由7个机器视觉摄像头、4个威力登雷达和2个自动雷达组成的传感器套件。对于名义上的自主操作,只使用IMU来估计姿态,然后使用激光雷达扫描和之前生成的先验图之间的强度匹配来校正。在这个练习中,全球定位系统被用在偏差校正模式中,在全球参考系中提供车辆轨迹。使用由密歇根大学操作的Mcity以东400米的本地连续运行参考站(CORS)单元,弹道不断更新。它使用NTRIP (利用Internet协议实现RTCTM的网络化传输)WGS84(世界大地测量系统)基准的RTCM (RTCTM通过Internet协议的网络传输)2.3和3.1改正。因此,基于强度的定位也可以用高精度的差分GPS进行验证。
 
地面实况收集-行人和自行车轨道
 
行人和骑自行车的人都配备了由Emlid提供的RTK装置。RTK数据可以通过一套算法进行校正,以实现整数(也称为固定值)或模糊度解析的准确性。整数模糊度分辨率提供小于10厘米的标准偏差,而浮点模糊度分辨率标准偏差通常为10到45厘米。可获得的校正质量取决于大气传播信道的特性,并受到多种因素的影响,包括云层覆盖、卫星能见度和环境中的多径衰落。
 
每个流动单元(漫游者)以及一个附加的固定单元(基站)的数据都被记录下来,如图5所示,该固定单元用作差异校正的基站。这个基站的位置显示为图11中的参考点。RTK单元的位置以人类可读的ASCII格式记录为临时数据,其中每一行记录一个时间数据样本。更新频率通常为5到10赫兹。这些列包含时间和位置信息,以及质量指标,如下所示:
 
•时间(UTC)
•位置:纬度(度),经度(度),相对海平面高度(米)
•校正质量度量:Q Q∈[1,……,6],其中1:固定,2:foat,3:SBAS,4:DGPS,5:单点,6:PPP
•接收到的卫星数量
•测量协方差:本地坐标的标准偏差,北,东,上,东北,东,北,米
•漫游者与基站数据纪元(称为age)之间的时间差,以秒为单位;
•用于验证校正方法选择的比率因子
 
为使RTK装置获得尽可能高的精度,将天线安装在导电板上以减轻地面反射并提高定位精度。天线被放置在衬箔的衣服或帽子上,如图6所示。需要注意的是,许多行人检测和跟踪算法依赖于通过训练样本行人的机器学习;因此,尽可能表现得“标准”是很重要的(即没有明显的或大型的工具)。电源包和处理器非常小,可以不显眼地放在口袋里或衣服下面,而天线本身则安装在帽子、垫肩、背包等上面。
图5 采用单个RTK单元作为基台进行差向校正。天线在前景的铜板上。
图6 参与的行人手持RTK装置照片。RTK装置与电池组和天线相连。电池组装在参与者的口袋里,天线被固定在参与者的帽子上。
2.3 交通灯阶段数据
对于一些场景,我们感兴趣的是基于交通灯状态的行人决策,以及十字路口或附近车辆的存在。交通灯状态的记录是在9月份的收集期间存储的,数据的图表如图7所示。
图7 毫秒分辨率的交通灯(以及行人的通行权)状态也与UTC时间协调,允许在基础设施状态的上下文中研究交互。
2.4 空中观测
除了车辆传感器和漫游者单元进行的定量测量外,还有一部分场景是从一个静止的旋翼无人机上记录的,高度在80到120米之间。图像提供了数据集的背景,以及车辆和行人轨迹的交叉验证。图8显示了来自视频的一个框架,其中有三辆测试车辆,以及多个行人。虽然在静态图像中很难直观的定位行人,但是在视频中却很明显。在图1中,交叉点被标记为A和B。
图8 无人机拍摄的视频画面显示了在Mcity收集期间的多辆车辆和行人。视野包括Main和Liberty与St的交叉口。
2.5 关于坐标系的注意事项
Ford 自动驾驶汽车传感器数据收集在传感器框架中,并在转换(使用外部校准参数)后以本地LCM消息格式存储到线性化的全局框架中,如图9所示,即车辆和任务防御。这里描述的数据集的公共域版本将包含通用全局框架中的传感器数据,以及允许UTC引用时间的时间戳键。
这些数据从LCM日志中提取,并以更新姿态消息的频率(~ 5ms或200hz)作为逗号分隔的文本文件导出。由于导出的序列化激光雷达数据的大尺寸,我们将探索其他格式,如LAS。
提取了相应的GPS时间和车辆在全球GPS和局部坐标系下的姿态。车辆传感器数据记录为GPS时间,RTK漫游车记录为UTC时间。将GPS时间转换为UTC。所有数据的公共域版本将使用UTC时间戳。
图9 车辆传感器数据采集在传感器框架内,并存储在局部框架内;每一次测量的全局到局部的转换是由高精度的GPS或允许传感器数据转换成通用GPS框架的定位算法导出的。
3 总结
应用程序的自动驾驶汽车传感器和准确,内存占用较小的GPS探测车已经用于Mcity收集异常结合高分辨率相机数据的数据集,车辆位置数据,传感器数据(激光雷达,雷达),以及探测器通过独立的不同位置文件修正测量,构成一个独特的数据集验证。这些数据可以用于从感知、感知、检测、跟踪、预测和分类的评估算法。
在图10中,一个来自第二幕第二场的例子轨迹显示了参与者之间的交互作用的多样性。这为评估检测、跟踪和分类算法的准确性提供了许多机会。
在浮动质量(误差小于1米)和整数质量(误差小于10厘米)下,RTK单元的固定或浮动质量校正优于99%或65%到85%的时间。在某些情况下,图11中的一个示例显示了一个轨迹,其大部分校正精度小于10厘米。
图10 多个参与者(包括Ego车辆)和多个骑自行车者和行人的位置被绘制出来,以显示数据集中所表示的各种交互。
图11 第二幕,第二场,第二幕,第四幕中,探测器4的位置估计值被绘制在一块来自谷歌地球的瓦片上。绿色图标用于满足整数(固定)歧义解决的估计,而黄色图标用于浮点数。参考位置,也就是基站的位置,在上图的正中央。
 
 
分享到:
 
网站首页  |  在线会议  |  合作模式  |  企业发布信息  |  我们的受众  |  关于我们  |  联络我们  |  法律声明  |  网站地图  |  排名推广  |  广告服务  |  网站留言  |  RSS订阅  |  违规举报