我们希望架起一座定位传感器的桥梁，在导航定位技术进化的道路上，起到一点点促进作用
作者：冯喆
编辑：周平
欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
目录
FSG-欧洲汽车顶级工程师的摇篮
针对FSG场景的激光雷达测试方案和评估标准
卡尔斯鲁厄理工（KIT）ka-raceing车队的“核武器”
SLAM pipeline
感知算法工作原理
多传感器校准方案
关于 卡尔斯鲁厄理工（KIT）ka-raceing车队
02
针对FSG场景的激光雷达测试方案和评估标准
FSG赛场由蓝⻩两种颜色的桩桶标出边界，蓝⾊桩桶和⻩⾊桩桶分别保持在赛⻋行驶方向的左右两侧。
赛场上黄、蓝桩桶设定的赛道边界
所以获取场地landmark，提取特征的方法就是对这些桩桶进行检测，获取他们的位置和种类信息（蓝或者黄），从而在SLAM中表达出赛道边界与行驶方向。
展开全文
在熟悉了雷达的使用和配置后，我们围绕“雷达对于35cm的黄蓝两种颜色桩桶的感知能力”设计了一套针对FSG场景的测试方案和评估标准。其中，雷达的精度、测远、反射率、抗干扰能力是我们重点关注的指标。
1.精度
Hesai给我们提供了通过精密光学仪器测量的雷达绝对精度，数据显示，Pandar40P的测距精度在正负2厘米以内，作为独立传感器的静态精度，远远满足我们用于比赛的要求。但事实上无人车上安装有多种传感器，组合起来的整体精度会一定程度上弱于单个雷达的精度， 考虑到比赛过程是动态的，因此我们选择做更有意义的动态环境下SLAM精度测试，考察SLAM算法精度是否能满足比赛要求。
我们在车的起点处做上标记，并以此作为欧几里得坐标系的原点构建我们测试时的WCS（World Coordinate System)，接着用差分GPS（DGPS）的方法，记录场地中每一个桩桶的位置，并将数据记录并整合成地图作为Ground Truth。接着我们使用SLAM进行建图，因为比赛没有GPS基站，所以这里的位置输入信息就没有使用GPS数据了。
SLAM运动地图示意
体积较大的点是Ground Truth，体积较小点是测试过程中累积结果的中点值。我们在这里的定位还没有使用SLAM进行每一帧的更新修正，而是直接累积的原始探测结果，并将结果的中心位置与Ground Truth位置进行比较分析。计算误差后发现整体精度能够满足比赛要求。
SLAM的平均运动误差和最大运动误差
最大误差是SLAM构建出的桩桶位置和DGPS测绘的参考桩桶位置的当前最大距离差距。
平均误差是SLAM构建出的桩桶位置和DGPS测绘的参考桩桶位置从开始测量累积到当前时间的平均距离差距。
这是我们在目前有限的硬件条件下，构思出的对SLAM质量进行评判的一个方法。 需要说明的是SLAM的精度除了与LiDAR本身的精度有关之外，还与LiDAR与IMU的标定、LiDAR与Tachometer（轮速传感器）的标定、IMU的精度、Tachometer的精度、以及相应的点云畸变运动补偿有关。同样，Ground Truth的质量也受到GPS品质的约束。
2.测远
雷达安装在不同高度下对桩桶的测远结果
测远结果如上图，显示的是下雨天（蓝色框内）和晴天（红色框内）雷达安装在车不同高度下至少探测到桩桶两个点的距离， 一般我们认为利用传统方法，至少探测到两个点才能被检测为桩桶，所以我们最终大致确定Pandar40P在我们的场景下最远探测桩桶可以到47m左右，并在充分考虑了安装点对于赛车空气动力学的影响后，选在了395mm高的安装点。
3.反射率
左图：黄、蓝两种桩桶在禾赛雷达点云中明显的反射率差异
右图：桩桶反射回来的intensity信息沿z轴（高度轴）呈现出来的直方图分布
4.抗干扰能力
这是禾赛的Pandar40P的一大独特优势，他们声称用了一个神秘的光束加密黑科技用来区分自身雷达发出的光和其他光。而对于赛车现场，几十家比赛队伍同时打开雷达的情况下，雷达能够抗干扰是个真香功能了。我们对于某普通雷达进行了实测，普通雷达有杂点增加，Pandar40P几乎没有。无奈测试匆忙，没有留下数据素材，残念。感兴趣的小伙伴可以去禾赛官网看下，类似下图这个效果。
抗干扰示意图
左：禾赛抗干扰雷达点云 右：无抗干扰雷达点云
03
卡尔斯鲁厄车队的“核武器”-禾赛Pandar40P
安装禾赛Pandar40P雷达的赛车和雷达感知的点云
这是一款40线的机械激光雷达，技术参数见下图。根据使用手册，首先连接电源和电脑的数据传输接口（Ethernet线）。
禾赛Pandar40P激光雷达技术参数
Pandar40P连接示意图
根据手册设置PC端的局域网IP，并在LiDAR的html网页控制页面设置LiDAR的IP和其他端口参数。在这里可以设置雷达所有线束的水平发光FOV（0-360度），还可以进一步单独设置每一根线束的水平发光FOV。除此之外，触发模式（时间触发 or 角度触发）、时间来源（GPS or PTP)、单双回波、待机模式等均可在网页控制页面相应设置。
Pandar40P设置水平FOV的网页控制界面
Pandar40P保留了GPS输入的串联数据口，用来支持GPS直接授时模式。
当然，我们在选择时间同步模式时直接选择了PTP协议，原因有二：
1.精确UTC时间并不是我们赛车工况下的必需品，减小传感器与计算机相对时间戳误差才是我们追求的目标。
2.一款足以给我们的localization性能提供加成的GPS过于昂贵。
随后的传感器网络时间对齐模块，会介绍我们构思的传感器时序对齐方案。
在Hesai官网下载页面，我们可以找到雷达对应的SDK页面，Pandar40P分别提供了普通版和基于Baidu Apollo和ROS框架的开发套件。通过官方Github，我们可以git clone获取他们并创建自己的工作空间，编译通过后，可以用SDK解析雷达，通过以太网UDP/IP发送出来的数据包，获取可读的点云信息。ka-raceing的软件架构基于ROS melodie开发，虽说理论上也可以基于普通的SDK去写适合自己开发目的的ROS register。我们在这里还是偷了个懒，直接使用了禾赛Pandar40P提供的ROS SDK，在ROSlaunch指定node后，接着使用ROS自带的可视化Gui rviz，就可以看到Pandar40P感知的结果。
禾赛Github主页
值得注意的是，Pandar40P提供了支持windows和Ubuntu两个版本的pcap（一种数据流格式）可视化软件PandarView（这个软件在这里把UDP数据转换成了pcap的格式），个人推荐可以用这个软件看LiDAR是否在成功地设置了IP地址，并能够稳定通过Ethernet接口向pc端发送数据包。当然，如果开发环境是Ubuntu，也可以使用Wireshark抓包工具轻量化地实现这个功能。
雷达配套的可视化软件
这里有一个使用感悟，就是雷达的Manual不能像汽车说明书那样，需要用才看，而是应该像考雅思时候的红宝书那样，通览一遍后时不时还要拿出来看看细节。虽然只有60页，但熟悉了雷达的Manual后对于后续的感知方案开发真的大有裨益。笔者机械工程毕业，仔细读了里面关于雷达数据包的细节知识，再查了相关资料后，真的是耳目一新，学到了很多东西。
无论是使用SDK还是PandarView，如果得到的可视化点云与眼前场景明显不符，不要紧张， 雷达包装内都有一支U盘，内含点云标定修正csv文件。里面记录了工厂经过标准方法检测后雷达实际的线束分布，导入这个参数文件后，重新加载时候就可以得到准确的点云输出数据。值得欣慰的是，Hesai在后续的雷达批次中已经把这个修正值嵌入雷达的内部软件层面，使用者可以更加方便地使用雷达数据。
雷达支架
Matlab线束分布与安装位置模拟图
赛方对于传感器安装位置的要求
中国智造给予的底气
能够在德国这样一个制造业强国的大学生方程式车队，天天乐呵呵地使用国产的激光雷达，凭借地是什么？
- 产品性能稳定强大
- 团队管理扁平高效
- 生产供应健康充足
对，我说的是Hesai，和我本人其实关系不太大…
故事的开端，要从2019年9月黑森林山谷里的一通电话说起，
当时车队新人在斯图加特北边的山区团建拉练。
车队在美丽的斯图加特黑森林团建
刚刚加入自动驾驶部门的负责感知算法的我一边啃着肘子一边和自动驾驶部门的组长Simon讨论明年比赛的激光雷达方案。
雷达选型参数对比
他和我抱怨傲娇的老牌大厂V家赞助申请流程复杂，当时迟迟不给回复，以前的赞助商Ib家因为资金问题不想提供除了4线以上的雷达设备。我忽然想起自己有朋友就在国内一家激光雷达公司工作，便想帮组长打电话咨询了解一下情况。结果朋友直接给我联系了营销部的领导James。James在知道我是中国人和Ka-Raceing车队去年的成绩后（FSG NO.2)后，当即决定赞助车队一台四十线雷达。
禾赛雷达之印象
没过多久，我们就收到了这颗颜值和性能都非常“能打”的激光雷达-Hesai Pandar40P。其实，当时在车队内部，对于是否使用Hesai雷达，德国人的反应比较消极，在后来的具体方案讨论中，他们就差点把“中国制造质量都不好”这种偏见当成论据直接说出口了。 令人欣喜的是，相比于其他欧美公司，Hesai的产品在实际使用过程中展现了明显的性能优势，并且Hesai营销和供应链部门的执行效率实在惊人，不到30天就让我们拿到了一台崭新的四十线雷达。与之相比，日薄西山的V厂在今年二月才慢慢悠悠，一点不像科技公司地以邮件形式询问我，想不想要一台16线雷达（嫌弃脸。。。）我只能表示遗憾了。新时代的中国速度和中国品质让我不得不告知德国童鞋一个事实：好好珍惜这次赞助，错过了这次，下一次成绩不好就得买了……
这个小故事切实让我对Hesai的产品及服务的水准有发言权。
【泡泡传感器评测】禾赛Pandar40P激光雷达评测（一）挑战FSG世界顶级无人车赛
下期评测内容预告：FSG感知算法详解
下周二，不见不散。
泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！
商业合作及转载请联系[email protected]
版权声明
本文仅代表作者观点，不代表希望OL立场。
本文系作者授权发表，未经许可，不得转载。
发表评论