通过参数化协方差生成实现 CAV 中感知与定位流水线的精确协同传感器融合
机器人学
2022-09-08 v1 多智能体系统
摘要
协同感知中的一个主要挑战是对来自不同来源的观测进行加权以获得准确结果。理想情况下，权重应与感知信息中的误差成反比。然而，以往面向自动驾驶车辆的协同传感器融合方法采用固定误差模型，其中传感器及其识别器流水线的协方差仅为所有感知场景下测得协方差的均值。本文提出的方法利用与感知和定位精度高度相关的关键预测项来估计误差，以对每个传感器观测进行准确协方差估计。我们采用由局部与全局传感器融合步骤组成的分层融合模型。在局部融合层，我们加入一个协方差生成阶段，利用各传感器的误差模型与测得距离生成各观测的期望协方差矩阵。在全局传感器融合阶段，我们加入一个额外阶段，由关键预测项速度生成定位协方差矩阵，并将其与局部融合生成的协方差结合以实现精确协同感知。为展示我们的方法，我们构建了一组具有按比例精确感知能力的 1/10 缩比模型自动驾驶车辆，并针对运动捕捉系统对误差特性进行分类。结果表明，在四车协同融合场景中，使用我们的误差模型对比典型固定误差模型，车辆位置检测的 RMSE 平均提升 1.42 倍、最大提升 1.78 倍。
引用
@article{arxiv.2209.03306,
title = {Accurate Cooperative Sensor Fusion by Parameterized Covariance Generation for Sensing and Localization Pipelines in CAVs},
author = {Edward Andert and Aviral Shrivastava},
journal= {arXiv preprint arXiv:2209.03306},
year = {2022}
}